新的TGIF模块可减少多模态大语言模型的幻觉

研究人员开发了TGIF（文本引导的层间融合），这是一种旨在减少多模态大语言模型（MLLMs）幻觉的新型模块。与以往侧重于文本或静态视觉特征融合的方法不同，TGIF根据输入查询动态地融合来自视觉编码器不同层的视觉特征。这种方法无需更新视觉编码器，并且计算开销极小。当与LLaVA-1.5-7B集成时，TGIF在减少幻觉和提高OCR和VQA任务的性能方面表现出持续的改进，同时在ScienceQA和MMBench等其他基准测试上保持或提高了结果。 AI

影响 这项研究提供了一种改进多模态大语言模型的视觉基础并减少幻觉的方法，有望带来更可靠的AI系统。

排序理由 该集群包含一篇学术论文，详细介绍了一种改进多模态大语言模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Chenchen Lin
• DagsHub
• GQA
• Hugging Face
• LLaVA-1.5-7B
• MMBench
• ScienceQA

• 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 →