InternVL3.5-8B
PulseAugur coverage of InternVL3.5-8B — every cluster mentioning InternVL3.5-8B across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的 PhysAlign 基准揭示了 AI 在物理图表关联方面的挣扎
研究人员推出了 PhysAlign,这是一个旨在评估多模态 AI 模型将物理图表中的视觉信息与其正确的物理角色关联程度的新基准。该基准旨在将物理角色分配中的错误与简单的视觉识别失败区分开来。结果显示存在显著差距,像 GPT-6-Astra 这样的模型表现出 13.8% 的对应错误率,而 InternVL3.5-8B 达到 50.6%,这表明在物理解释中存在一个关联瓶颈。
-
视觉语言模型因先验信念误判施工危险
研究人员调查了视觉语言模型(VLM)在施工危险检测中频繁发出误报的原因。研究发现,像Qwen2.5-VL-7B和InternVL3.5-8B这样的模型,尽管能准确识别物体及其空间关系,但却深受学习到的共现先验知识的影响。这种偏见导致假阳性率很高,尤其是在有工人在场但未处于危险距离的情况下。虽然对注意力头和神经元层面的干预未能消除这种偏见,但将危险决策建立在模型的空间表征之上可以提高特异性,这表明需要关注决策逻辑,而不仅仅是视觉识别。
-
新框架揭示多模态大语言模型安全方面的结构化漏洞
研究人员开发了一个名为越狱连接性(JC)的新框架,以解决多模态大语言模型(MLLMs)中的漏洞。该框架通过优化连续对抗路径来生成多样化且可迁移的视觉越狱攻击,从而绕过安全防护措施。JC 在 Qwen3-VL-8B-Instruct、InternVL3.5-8B 和 Gemma-3-12B-IT 等多种 MLLMs 上取得了显著的成功率,并在 GPT-5.6 和 Gemini 3.1 Pro 等模型的黑盒评估中表现优于现有方法。研究结果…
-
研究人员剖析了支持多模态人工智能越狱的图像属性
研究人员调查了能够越狱多模态人工智能模型的图像属性。他们的研究侧重于图像到文本的越狱,检查嵌入图像内容中的有害意图或其与文本的关系如何影响模型响应。研究结果表明,虽然熵或JPEG大小等简单的图像属性不是恶意内容的可靠指标,但与图像-文本一致性相关的特定操纵会影响攻击成功率。
-
新研究分析VLMs的图表阅读能力
研究人员调查了视觉语言模型(VLMs)如何从垂直条形图中提取特定值,重点关注Qwen2.5VL-7B-Instruct和InternVL3.5-8B等模型。他们的分析显示,尽管条形的顶部区域视觉标记较少,但它比条形主体对答案偏好贡献更大。研究还发现,与图例和系列相关的信息在模型较早的层中处理,而几何和比例状态则在较晚的层中处理。有趣的是,两个模型都表现出利用不同来源的几何和比例信息的能力,尽管Qwen对上下文的敏感度更高。
-
新的审计方法评估MLLM中的视觉令牌溯源
一篇新的研究论文介绍了一种审计多模态大型语言模型(MLLM)中视觉令牌空间溯源的方法。该方法超越了传统的准确性指标,以评估模型正确答案是否可以追溯到支持它的特定视觉区域。研究表明,虽然准确性可能保持稳定,但不同的剪枝策略会导致可追溯性水平的巨大差异,从而影响模型的可靠性。提出的审计方法还显示出在批处理预填充速度和减少内存使用方面有潜在的收益,尽管有利的验证点不能保证任务通用压缩。
-
ET-Prune 框架通过动态剪枝视觉令牌优化多模态大语言模型推理
研究人员开发了 ET-Prune,一个新颖的框架,旨在通过动态剪枝视觉令牌来优化多模态大语言模型(MLLMs)的推理成本。与固定的剪枝比例不同,ET-Prune 通过将剪枝视为证据分配来适应富文本输入,识别并保护查询指定的数字或标签等关键信息。该方法将证据不确定性和密度转化为特定于样本的令牌预算,从而在质量-成本权衡方面取得显著改进。在 OCRBench-v2 和 MMBench v1.1 上的评估中,ET-Prune 在剪枝方法中取…