Eric Liang, Alan Luo, Kaiwen Yuan · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29196 · open-access PDF
Os avanços recentes em modelos de linguagem de visão (VLMs) permitem aterramento visual de ponta a ponta através de prompts de linguagem e decodificação gerativa, demonstrando capacidades de detecção de zero-shot e de vocabulário aberto amplamente melhoradas. Como resultado, os VLMs estão sendo rapidamente implantados na borda em sistemas reais críticos à segurança. No entanto, a robustez adversária física dos VLMs de ponta não foi sistematicamente estudada e as diferenças fundamentais na saída com detectores de objetos modernos criam desafios metodológicos para avaliação justa.
Machine translation (Meta M2M100); the English original follows.
Recent advancements in Vision-Language Models (VLMs) enable end-to-end visual grounding via language prompts and generative decoding, demonstrating largely improved zero-shot and open-vocabulary detection capabilities. As a result, VLMs are rapidly being deployed at the edge in safety-critical real-world systems. However, the physical adversarial robustness of edge VLMs has not been systematically studied, and the fundamental differences in output with modern object detectors create methodological challenges for fair evaluation. To compare the two families directly, we evaluate every selected
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29196, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange