两篇新研究论文探讨了人类注意力与视觉-语言模型之间的对齐。第一篇论文聚焦于多模态语言预测,发现虽然增加视觉上下文改善了模型-人类对齐,但驱动因素主要是Transformer的注意力机制,而非模型规模。第二篇论文将各种视觉-语言模型的注意力图与人类注视点进行比较,揭示了解码器架构显著影响对齐效果,与Transformer相比,LSTM解码器显示出更高的对齐度但空间区分度较低。 AI
排序理由 两篇arXiv论文提出了关于AI模型行为的新研究发现。
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- Gotit.pub
- Hugging Face
- Litmaps
- ScienceCast
- SciTE
- transformer
- Viktor Kewenig
- Visual-World Paradigm
- CNN
- long short-term memory
- Molmo 7B-D
- Qwen3.5:9b
- Vít
- ViT-Transformer
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →