대규모 시각-언어 모델(LVLM)은 시각 인코더의 시각적 특징을 사전 훈련된 대규모 언어 모델(LLM)에 정렬하지만, 이는 시각 인식 모듈을 병목 현상으로 만들어 LVLM의 전반적인 능력을 제한한다. TopoPerception은 다양한 세분성에서 LVLM의 글로벌 시각 인식 능력을 엄격하게 평가하기 위해 위상학적 속성을 활용하는 벤치마크이다. 이는 국소적 특징에 불변하고 이미지의 전체 구조에 의존하는 위상학을 기반으로, 지름길 없는 글로벌 인식 평가를 가능하게 한다. 최첨단 모델들을 TopoPerception에서 평가한 결과, 가장 거친 인식 세분성에서도 모든 모델이 무작위 확률과 유사한 성능을 보이며 글로벌 시각적 특징을 인식하는 데 심각한 어려움을 보였다. 더 강력한 추론 능력을 가진 모델이 더 낮은 정확도를 보이는 일관된 경향이 나타났으며, 이는 모델 확장만으로는 이 문제를 해결하기 어렵고 오히려 악화시킬 수 있음을 시사한다. 새로운 훈련 패러다임이나 아키텍처가 필요할 수 있다.
