引入了一个名为CiteVQA的新基准,用于评估多模态大语言模型(MLLM)的证据归因能力。当前的文档问答(Doc-VQA)评估仅评估最终答案,忽略了模型可能引用错误来源的情况。CiteVQA要求模型在答案的同时提供元素级边界框引用,并评估两者准确性。该基准包含711个PDF文件中的1897个问题,涵盖各种领域和语言,并有一个用于生成地面真实引用(ground-truth citations)的自动化流程。测试揭示了显著的“归因幻觉”,即使是表现最好的模型,其严格归因准确率(SAA)也仅为76.0%,这凸显了当前MLLM在高风险应用中的可靠性差距。 AI
影响 强调了LLM在高风险领域中一个关键的可靠性差距,需要新的评估方法来实现可信的文档智能。
排序理由 该集群描述了一篇介绍用于评估AI模型基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Attribution Hallucination
- CiteVQA
- Doc-VQA
- Dongsheng Manchu and Mongol Ethnic Township
- finance
- Gemini 3.1-pro-preview
- law
- medicine
- Multimodal Large Language Models
- Strict Attributed Accuracy
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →