共识何时意味着正确性？通过语义保持的重渲染测量一致性与准确性的耦合

arXiv cs.LG 论文
agreement-accuracy reliability vision-language-models semantic-equivalence scientific-figures fine-tuning

摘要

本文介绍了RENDEQ，一种为科学图像生成渲染等价集的生成器，并测量了开放权重VLM中模型在语义保持的重渲染之间的一致性在多大程度上追踪正确性。研究发现，一致性仅在超过阈值时才证明正确性，而基于自一致性进行微调可能会损害准确率。

arXiv:2608.05670v1 公告类型：新 摘要：模型在扰动输入上的一致性既被用作无标签的可靠性信号，也被用作自训练目标，前提是一致性追踪正确性。这种耦合很少被直接测量：自然图像扰动仅凭假设保持语义，且没有精确的答案键来定位错误。科学图像消除了这两个障碍：图像是由程序从数据绘制出来的，因此重新绘制它得到的图像在构造上语义等价，并共享一个程序上精确的答案。我们构建了RENDEQ，一个生成此类渲染等价集的生成器，并在三个开放权重VLM上测量这种耦合，在三个独立实例上检查每一个发现。重新渲染在准确性和可靠性上都优于重采样。一致性在三个模型中的两个上优于携带证据的基线（平均token对数概率），并在第三个上打成平手，这推翻了一个中间的有缺陷的复制，该复制被追溯到渲染管线故障。其背后的离散度集中在一个风格因素上，即绘图库，是次大因素的两倍多，比噪声底限高一个数量级。在模型自身的跨渲染一致性上进行微调会产生反转：在五次复现运行中，准确率每次都下降，与自然图像上已发表的结果符号相反。一致性仅在超过由模型错误分散程度设定的阈值时才证明正确性，而奖励一致性的目标恰恰会破坏这种分散程度。
查看原文
查看缓存全文

缓存时间: 2026/08/07 07:51 

# 共识何时意味着正确性？通过语义保持的重渲染测量一致性与准确性的耦合

Source: https://arxiv.org/abs/2608.05670
View PDF (https://arxiv.org/pdf/2608.05670)

> 摘要：模型在扰动输入上的一致性被用作无标签可靠性信号和自训练目标，前提是一致性反映正确性。这种耦合很少被直接测量：自然图像扰动仅凭假设保持语义，并且没有精确的答案键来定位错误。科学图形消除了这两个障碍：图形是由程序从数据绘制的，因此重新绘制会产生在构造上语义等价的图像，并共享一个程序上精确的答案。我们构建了 RENDEQ，一个此类渲染等价集的生成器，并在三个开放权重 VLM 上测量这种耦合，在三个独立实例上检查每个发现。重渲染在准确性和可靠性上都优于重采样。一致性在三个模型中的两个上击败了携带证据的基线（平均 token 对数概率），并在第三个上与之持平，逆转了一个中间阶段的有缺陷复现结果——该问题追溯到渲染管线故障。其背后的离散度集中在一个风格因素上，即绘图库，其影响是第二大因素的两倍多，且比噪声基底高一个数量级。在模型自身的跨渲染一致性上进行微调会产生反转：在五次复现运行中准确率每次都下降，与已发表的自然图像结果符号相反。一致性仅在高于由模型错误分散程度设定的阈值时才证明正确性，而一个奖励一致性的目标恰好破坏了那种分散性。

## 提交历史

来自：Rasul Khanbayov \[查看电子邮件 (https://arxiv.org/show-email/dcdad6a2/2608.05670)\] **\[v1\]** 2026年8月6日 星期四 07:08:05 UTC (279 KB)

相似文章

共识高估证据：LLM评判中的误差依赖性

arXiv cs.AI

本文研究了LLM评判者之间的误差相关性如何降低共识的统计独立性，表明共同的错误可能使一致意见看起来比实际更强，导致在高达28%的情况下得出错误结论，并提出使用可信样本来估计和考虑这些依赖性。