Компьютерные науки > Искусственный интеллект [представлен 26 октября 2026 года] Название: DecoyCoundt: Оценка визуальной и резонной несогласованности в резюме по подсчетам PDF HTML (экспериментально): Visual Measuring Beatory Models substating to facility number, но не вопрос о том, возникают ли ошибки при восприятии или рассуждении. Мы введем ориентир из 1660 изображений реального мира с проектированными приманками по семи механизмам, вместе с парными сигналами: нейтральный вопрос, совмещенный клюв и новый много-хоповый мультитипный вопрос, который ставит одну и ту же проблему подсчета в реалистичном сценарии. Используя этот дизайн, мы обнаруживаем, что ошибки в подсчете частично вызваны визуальной дезорганизацией: модели могут осуществить предполагаемый процесс подсчета при ки-руке, но не выбрать его без помощи, и мы описываем эту разницу с точностью как разрыв в аргументации. Несмотря на высокую способность к общим рассуждениям, приграничные модели по-прежнему не достигают 50-процентной точности в наших контрольных параметрах, а разрывы в согласовании колеблются от 11,8 до 22,1 процентных пункта; поразительно мы наблюдаем, что более пригодные модели, больше концептуальных бюджетов и агентических процессов часто вызывают большие пробелы. Поскольку люди могут создавать контекст, в котором отсутствуют модели, мы проверяем, способствует ли текстовое недооценивание неправильному согласованию с использованием условия мульти-хоп на основе сценария без прямого намека, но этот…
Оценка несогласованности визуально-резонансных данных при подсчете
arXiv: 261 030,34855 v1 Сообщение типа: перекрестное резюме: Визуальный учет контрольных показателей позволяет ли модели на языке зрения получить правильное число, но не является ли ошибка результатом восприятия или рассуждений. Мы введем ориентир из 1660 изображений реального мира с проектированными приманками по семи механизмам, вместе с парными сигналами: нейтральный вопрос, совмещенный клюв и новый много-хоповый мультитипный вопрос, который ставит одну и ту же проблему подсчета в реалистичном сценарии. Используя этот дизайн, мы обнаруживаем, что ошибки в подсчете частично вызваны визуальной дезорганизацией: модели могут осуществить предполагаемый процесс подсчета при ки-руке, но не выбрать его без помощи, и мы описываем эту разницу с точностью как разрыв в аргументации. Несмотря на высокую способность к общему рассуждению, приграничные модели остаются ниже 50% точности наших контрольных показателей, в то время как разрывы по согласованию колеблются от 11,8% до 22,1%; поразительно мы наблюдаем, что более пригодные модели, большее мышление bu
