一项发表在arXiv上的新研究调查了多模态大语言模型（MLLMs）在文本和图像模态之间呈现冲突信息时的鲁棒性。研究发现，MLLMs并不具备一致的鲁棒性，当与参数知识相矛盾时，模型倾向于优先考虑基于图像的证据而非文本。此外，当文本和图像证据同时提供时，模型的偏好似乎是任意的，受到输入顺序、模型和数据集的影响。这种不稳定性会降低多模态RAG系统的性能，并可能被对抗性攻击利用。虽然简单的提示和引导技术无效，但监督微调（SFT）在缓解这种脆弱性方面取得了中等程度的成功，这表明在模型训练过程中需要更加关注这种根本性的不一致性。 AI
影响 突显了多模态大语言模型的一个关键漏洞，可能影响RAG系统和对抗性鲁棒性，需要对训练方法进行进一步研究。
排序理由 发表在arXiv上的研究论文，详细介绍了MLLM行为的发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
