RotBench论文总结与关键部分翻译一、文章主要内容本文聚焦多模态大型语言模型（MLLMs）在图像旋转识别任务中的能力评估，核心内容围绕以下维度展开：1. 研究背景与问题提出尽管MLLMs在图像文本检索、图像分割、视觉问答等复杂视觉任务中表现出色，但现有研究表明其对图像旋转、翻转、模糊等简单变换敏感，在人类直觉性任务中易失效。而机器人手臂操控、第一视角极限运动分析等下游任务要求MLLMs具备稳健的空间推理能力，无论图像朝向如何。因此，本文核心问题为：MLLMs能否准确识别图像的旋转角度（0°、90°、180°、270°）？2. 基准数据集ROTBENCH构建为评估MLLMs的旋转识别能力，作者提出ROTBENCH基准数据集，包含350张人工筛选图像，分为两个子集：ROTBENCH-LARGE：300张图像，源自Spatial-MM数据集，涵盖生活场景、人像、风景等类型；ROTBENCH-SMALL：50张图像，用于建立人类性能基线，同样经严格筛选。数据集通过两阶段筛选确保有效性：第一阶段：由单一标注者判断图像是否包含清晰旋转视觉线索（如站立的人）、旋转后是否有显著差异，筛选出“接受”“丢弃”“标记”三类图像；第二阶段：3名人类评估者对标记图像的4种