研究人员开发了HANCLIP，一类新的视觉-语言模型，旨在改进负样本处理。与难以处理否定语句的传统模型不同，HANCLIP重构了其嵌入空间，以便明确编码图像“不是”什么，以及“是”什么。这种方法使用双曲公式和角三元组目标，在一个小型数据集上进行训练，以增强负样本敏感性，同时不降低在标准基准上的性能。该框架是可适应的，并且可以集成到现有的模型中，如CLIP和LongCLIP。 AI
影响 增强了现有视觉-语言模型（特别是负样本处理方面）的推理能力，有可能提高其在复杂场景下的可靠性。
排序理由 该集群描述了一篇详细介绍视觉-语言任务新模型架构的最新研究论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Vision-Language Models (VLMs) are typically pre-trained on large-scale image-text datasets to capture semantic correspondences between visual content and natural language. However, they remain surprisingly brittle to negation: models often rely on shallow word co-occurrence and a…
arXiv:2606.23843v1 Announce Type: new Abstract: Vision-Language Models (VLMs) are typically pre-trained on large-scale image-text datasets to capture semantic correspondences between visual content and natural language. However, they remain surprisingly brittle to negation: model…