arXiv · cs.CL· Guizhen Chen·· 1 天前AI 评分46
诊断“指代鸿沟”：视觉脚手架在多模态推理中能与不能修复什么
Diagnosing the Reference Gap: What Visual Scaffolds Can and Cannot Fix in Multimodal Reasoning
来源与原文
arXiv · cs.CL
作者：Guizhen Chen
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.39419v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 研究提出，多模态大语言模型在多步视觉推理中的失败常被归因于感知，实际是“指代鸿沟”：语言未能绑定到相关视觉实体。作者引入 ReGap-Bench，包含五个视觉推理任务的配对基准，固定场景、问题和答案，仅改变指代方式。结果显示，任务匹配的指代（如编号）可将准确率提升最高 25%，不匹配的指代收益甚微甚至损害性能，表明构建合适的视觉指代可作为无需训练的视觉技能。
来源：arXiv · cs.CL · arxiv.org