论文页面 - 多模态视觉语言模型中的人为区域适应

来源：https://huggingface.co/papers/2604.11490 尽管视觉-语言（VL）领域在跨多种语言和领域整合视觉与文本信息方面取得了显著成功，但目前仍缺乏评估视觉-语言系统中人类中心对齐的专门框架。

我们提供两项贡献以填补这一空白。首先，我们引入人为区域适应：一种旨在优化模型对特定区域上下文的相关性，同时确保保留全球泛化能力的新范式。其次，我们提出一种简单但有效的适应方法，名为Geographical-generalization-made-easy（GG-EZ），该方法利用区域数据筛选和模型合并。

通过在三种VL架构（大型视觉-语言模型、文本到图像扩散模型和视觉-语言嵌入模型）上进行的综合实验，以及在东南亚（SEA）区域适应的案例研究，我们展示了人为区域适应的重要性以及GG-EZ的有效性。结果显示，在东南亚地区的文化相关性指标上实现了5-15%的提升，同时保持了超过98%的全球性能，甚至偶尔有所超越。

我们的研究成果将人为区域对齐确立为基础性范式，旨在推动多模态视觉-语言模型在多样化地区的适用性，并提供了一种简单而有效的基线方法，在优化区域价值对齐的同时保留了全球泛化能力。

在此查看我们的HuggingFace集合（https://huggingface.co/collections/SEACrowd/sea-vl-phase-2-multimodal-vision-language-models-for-sea）。