Может ли МЛЛМ рассуждать о визуальном стойкости? Оценка эффективности и верности разума
arXiv: 2605.08965v2 Annuates Type: заменить резюме: Постоянство визуального изображения играет центральную роль в рекламе, общественной коммуникации и онлайновых средствах массовой информации, что делает все более важным понимание того, является ли изображение убедительным и почему. Однако нынешние мультимодальные модели Большого языка (MLMs) имеют ограниченные возможности для аргументации зрения. Наш анализ показывает, что модели часто полагаются на короткий путь - избирательно цитируя легко различимые визуальные элементы и рассматривая их просто как доказательство убедительности - вместо того чтобы рассуждать о различных визуальных сигналах в имидже для определения того, каким образом и почему они способствуют убедительности. Для устранения этого ограничения мы предлагаем: 1) усовершенствовать подход, который обобщает модели с обоснованием различных перспектив визуальной убедительности; и 2) разработать систему оценки, которая измеряла бы достоверность обоснований моделей на основе трех дополнительных показателей. Убедительность повышается благодаря уточнению многоплановых обоснований.
