Ғалымдар визуалды тіл үлгілеріндегі сенімділік деңгейін калибрлеу әдісін ұсынды

arXiv платформасында жарияланған жаңа ғылыми препринтте визуалды тіл үлгілерінің (VLM) визуалды ақпарат жоғалған кездегі сенімділік деңгейі зерттелді. Ғалымдар Qwen2.5-VL-3B-Instruct моделін негізге ала отырып, 176 арнайы траектория мен 880 бүркемелеу жағдайын тестіледі.

Нәтижелер көрсеткендей, маңызды визуалды аймақтарды жабу модель дәлдігін 28,2 пайыздық тармаққа төмендетеді, ал маңызды емес аймақтарды бүркемелеу кезінде көрсеткіш небәрі 0,6 тармаққа азайған. Сонымен қатар, бастапқы модельдің сенімділік көрсеткіші көбіне дәлелдердің азаюына сәйкес келмей, монотондылық бұзылу деңгейі (EMVR) 0,436 болған.

Зерттеушілер ұсынған қосымша сенімділік модулі монотондылық бұзылуын 0,330-дан 0,303-ке дейін, ал бұлдырату сынағында 0,449-дан 0,402-ге дейін төмендетті. Ғалымдар бұл тәсіл жалпы сенімділікті күшейтуден гөрі, визуалды деректер ретінің дәйектілігін қамтамасыз ететінін атап өтті.