Shift-Reliance Alignment：根据模型信赖的线索为视觉语言模型重新排名
英文标题：Shift-Reliance Alignment: Ranking Vision-Language Models by the Cues They Trust
arXiv 最新研究提出 Shift-Reliance Alignment 方法，旨在通过模型所依赖的决策线索对视觉语言模型（VLM）进行更精准的评估与排名。研究指出，行业常用的通用排行榜往往给出统一排名，但在面对“场景中具有暗示性但实际不存在的物体”提问时，即便在 POPE 幻觉基准上错误率最低的模型也可能存在线索依赖偏差。这一发现打破了“单一排行榜统领全局”的选型逻辑，为开发者在具身智能、高精度视觉问答等特定场景中挑选适配的 VLM 提供了新的评估维度。
打开原文相关 1.6 · 机会 0
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
Shift-Reliance Alignment：根据模型信赖的线索为视觉语言模型重新排名
论文编号：arXiv:2610.22610v1
发布类型：最新公布（New）
摘要
视觉语言模型（VLM）通常根据通用排行榜进行选型，这些排行榜往往针对所有应用场景给出单一的统一排名。然而，在面对关于“场景看似暗示存在但实际并不包含的对象”这一类问题时，即便在 POPE 幻觉基准测试中错误率最低的模型，其表现也可能与预期存在显著分歧。
本项研究通过引入 Shift-Reliance Alignment，探索如何依据模型在不同分布漂移下所信赖的具体线索（Cues They Trust）来对视觉语言模型进行深入分析与排序，揭示通用评测无法捕捉的鲁棒性与决策偏差问题。
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×