大規模視覚言語モデルは人間のように「地図を読み取って最適なルートを見つける」ことができる ...

LVLMが人間に匹敵するパフォーマンスを持っている場合、出発地点および到着地点の指示および必要な地図が与えられれば、地図を読み取って出発地点から到着地点関連キーワードはありません