标签
本文研究了视觉-语言模型在非对称对话中能否区分潜在共同基础与已确立共同基础。在MapTask数据上的实验表明，提供任务相关的地图内容（视觉或文本）会使模型倾向于过度预测对齐，因为它们依赖于静态指示范例而非通过对话历史追踪共同基础的确立过程。
本文扩展了摩擦策略优化（FPO）以处理对话中的感知性不对称，即参与者持有不对称的部分信息。研究表明，从每个参与者的视角评估摩擦比全知访问更有效，并提出了针对共同基础状态的标注改进。
本文研究了视觉语言模型中的一种偏差，即模型在对话中高估了共同理解，将感知访问与沟通基础相混淆。研究结果对对话系统和VLM评估具有启示意义。
本文研究了关于大型视觉语言模型（LVLMs）能否协调高效指代表达的看似矛盾的发现。作者表明，当明确提示时，模型可以实现效率，但从隐式提示中无法推断出效率需求，揭示了人类与AI通信之间的关键差异。