研究人员开发了一种新颖的训练框架，以改进多模态大型语言模型（MLLMs）在医学视觉问答（VQA）中的校准。该方法通过采用复合损失函数来解决MLLMs倾向于产生过度自信且不正确输出的问题。该框架结合了校准项、锚点正则化器和对比度对齐，以确保模型适当地依赖视觉输入，而不是仅仅依赖语言先验。跨多个基准和架构的实验表明，在保持预测准确性的同时，校准误差显著降低，判别力有所提高。 AI
影响 通过减少诊断输出中的过度自信，增强了人工智能在关键医疗应用中的可靠性。
排序理由 该集群包含一篇详细介绍改进人工智能模型性能新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.27023v1 Announce Type: cross Abstract: Multimodal large language models (MLLMs) applied to Medical Visual Question Answering (VQA) tend to produce overconfident outputs regardless of actual correctness, and existing verbalized confidence calibration methods, developed …
Multimodal large language models (MLLMs) applied to Medical Visual Question Answering (VQA) tend to produce overconfident outputs regardless of actual correctness, and existing verbalized confidence calibration methods, developed primarily for text only LLMs, do not account for t…