arXiv · 机器人与计算机视觉· Josh Barua, Kyle Mahowald, William Rudman·· 2026-10-15精选AI 评分82
视觉语言模型像有偏见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
Josh Barua 等人提出一种基于贝叶斯视角的两参数线索组合模型,用于解释视觉语言模型(VLM)如何处理文本与图像之间的冲突证据。该研究将模态偏好建模为条件独立证据的整合过程,并引入模态特异性偏差项。实验表明,该模型无需重新拟合即可准确预测 VLM 在不同输入退化条件下的行为,并能泛化到新的不可靠性形式,成功统一了关于文本主导与视觉主导的现有报告。
推荐理由
该工作提出两参数线索组合模型,从贝叶斯视角解释 VLM 如何整合冲突证据并预测模态偏好。
来源:arXiv · 机器人与计算机视觉 · arxiv.org