arXiv · cs.CL· Maxime Dassen·· 3 天前AI 评分43
视觉语言模型如何按需控制模态指向：反事实干预评估方法
Grounding on Request: Learning Modality Control in Vision-Language Models
来源与原文
arXiv · cs.CL
作者：Maxime Dassen
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/2610.33841v1
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 预印本研究提出通过保留冲突的反事实干预来评估视觉语言模型（VLM）的模态指向控制，用 Flip 和 Stay 两个指标衡量答案是否跟随对指定模态的编辑。方法上构建新词学习，仅训练新增的视觉与文本指向词嵌入并冻结预训练模型，并引入 Counterfactual Twin-Margin（CTM）反事实监督。在三个 VLM、三个现有基准及自建 Ground-CF 基准上，学习到的模态词优于自然语言指令，LoRA 整体最强，反事实监督在多个设置中提升控制效果。
来源：arXiv · cs.CL · arxiv.org