开会or婚礼？全球最难的看图理解，腾讯AI得了第一

请回答这道选择题：手捧玫瑰的女子，绅士风度的男子，停靠路边的马车，他们在做什么？ 正确答案是D。这道题不是出给人类的，而是出给AI的行为理解题。它来自全球最难的图像理解题库之一——VCR（VisualCommonsense Reasoning）。类似读心术，希望AI像人一样，懂得图中人在正在做什么。11月19日，腾讯微视视频理解团队在VCR打榜竞赛中，做了近27万道这样的选择题。结果，他们提出了单模型BLENDer (BimodaL ENcoDer)，在三个阶段的PK中，准确率达到了81.6%、86.4%、70.8%，一举超过谷歌等行业，甚至高于一些多模型的准确率，取得最高分，夺得冠军。对于你来说，这题很简单；但是，对AI，太南了。说白了，AI很缺“某个动机导致某种行为”的逻辑关联数据。BLENDer拿着百万部电影 ………………………………