PulseAugur
中
实时 07:11:10
English(EN) Specify Privacy Yourself: Assessing Inference-Time Personalized Privacy Preservation Ability of Large Vision-Language Models

新基准揭示LVLMs在个性化隐私方面存在不足

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SPY-Bench，一个旨在评估大型视觉语言模型（LVLMs）在推理时保护个性化隐私能力的新基准。该基准包含超过32,700个跨越各种场景的样本，揭示即使是像o4-mini这样的顶级模型在合规性方面也存在困难，准确率仅约为24%。为解决这些局限性，团队实施了对齐方法，包括一种新颖的噪声对比对齐变体，成功达到了96.88%的准确率，同时保持了通用性能，标志着朝着更可控的LVLMs迈出了重要一步。 AI

影响 为评估和改进LVLMs中的个性化隐私设定了新标准，这对于伦理部署至关重要。

排序理由 学术论文，介绍了一个用于评估LLM隐私的新基准和方法。

在 arXiv cs.AI 阅读 →

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

新基准揭示LVLMs在个性化隐私方面存在不足

本文如何被排名

Signal score
34 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
学术论文，介绍了一个用于评估LLM隐私的新基准和方法。
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, safety
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xingqi Wang, Xiaoyuan Yi, Xing Xie, Jia Jia ·

    自行指定隐私：评估大型视觉语言模型推理时期的个性化隐私保护能力

    arXiv:2611.13997v1 Announce Type: cross Abstract: Large Vision-Language Models (LVLMs) have demonstrated remarkable capabilities but raise significant privacy concerns due to their abilities to infer sensitive personal information from images with high precision. While current LV…

相关实体

相关话题