标签
本文对思考模式下的视觉语言模型的不确定性进行了实证分析，表明思考链熵比传统的答案令牌分布（在这种模型中会失效）是更可靠的幻觉检测信号。
本文对知识型VQA基准进行了审计，揭示了系统性的假设违反，使得准确率成为误导性指标。它提出了一种修复协议和多实体增强方法，以恢复答案可推导性和问题清晰度，表明修正后的设置产生了显著不同的模型排名。
本文提出了一个用于零样本工业缺陷检测的大规模多模态数据集（MMIO），并介绍了改进文本-视觉提示（RTVP）方法，在该基准上取得了最优结果。
本文介绍了一种基于程序思维提示（Program-of-Thoughts prompting）的零样本图表摘要策略，其中轻量级视觉语言模型（VLMs）生成Python程序来计算统计数据，从而在事实准确性上优于现有方法。