新的审计方法评估MLLM中的视觉令牌溯源

一篇新的研究论文介绍了一种审计多模态大型语言模型（MLLM）中视觉令牌空间溯源的方法。该方法超越了传统的准确性指标，以评估模型正确答案是否可以追溯到支持它的特定视觉区域。研究表明，虽然准确性可能保持稳定，但不同的剪枝策略会导致可追溯性水平的巨大差异，从而影响模型的可靠性。提出的审计方法还显示出在批处理预填充速度和减少内存使用方面有潜在的收益，尽管有利的验证点不能保证任务通用压缩。 AI

影响 引入了一个新颖的MLLM审计框架，该框架可以通过评估空间溯源和准确性来提高可靠性和效率。

排序理由 该集群包含一篇详细介绍多模态大型语言模型新审计方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• DocVQA
• Hugging Face
• InternVL3.5-8B
• LLaVA-1.5-7B
• Qwen3 VL 8B
• Qwen Target
• TextVQA

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →