MED-DSLC

新的 MED-DSLC 方法提高了 VLM 的准确性和可扩展性

研究人员开发了一种新的 MED-DSLC 方法，以解决专业视觉语言模型 (VLM) 的碎片化问题。当 VLM 使用 LoRA 等技术针对特定领域进行微调时，其域外准确性通常会下降，导致专业模型激增。MED-DSLC 旨在通过结合领域监督训练和逐领域 Logit 缩放来解决此问题，从而恢复全局 Logit 可比性。该方法将平均准确性显著提高了 15%，并增强了跨领域鲁棒性和可扩展性，尤其是在数据不平衡的情况下。