研究人员引入了一个新的框架来评估视觉语言模型(VLMs),通过分析不同输入如何影响它们的输出生成过程。这个时间因果驱动评估框架使用干预措施来衡量视觉信息、问题文本和生成前缀对模型自回归解码的影响。使用 Qwen3-VL-8B-Instruct 和 InternVL2-8B 等模型的实验表明,随着输出的进行,模型从最初依赖视觉和问题输入转向更依赖生成的前缀。与观察方法相比,该框架在减少恢复误差方面显示出显著的改进,并且在区分视觉基础生成和由先验知识驱动的生成方面被证明是有效的。 AI
影响 该框架提供了一种诊断 VLM 行为的新颖方法,有望带来更强大、更具可解释性的模型。
排序理由 该集群描述了一篇学术论文中提出的用于视觉语言模型的新评估框架。
在 Hugging Face Daily Papers 阅读 →
- alphaXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- InternVL2-8B
- LLaVA-Video-178K
- MAVIS
- MiraData
- Qwen3-VL-8B-Instruct
- ScienceCast
- Temporal Causal Drive Evaluation Framework
- VLMBias
- arXiv
- Prefix Causal Drive
- Question Causal Drive
- Vision--Language Models
- Visual Causal Drive
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →