arXiv cs.CL· Josh Barua, Kyle Mahowald, William Rudman·· 4 小时前AI 评分37
视觉语言模型像有偏的贝叶斯观察者一样整合冲突证据
Vision-Language Models Integrate Conflicting Evidence Like Biased Bayesian Observers
AI 导读
视觉语言模型（VLM）面对冲突的文本与图像时，其偏好可由一个两参数线索组合模型预测：该模型将各模态条件独立的证据与先验信念按模态偏置结合。在未见过的输入退化组合下，它仍能准确预测 VLM 偏好，且无需重新拟合即可迁移到新的不可靠形式。区分证据强度与整合偏置解释了 VLM 为何更偏重视觉证据却仍跟随文本。
来源：arXiv cs.CL · arxiv.org