StemBind: Когда MLLMS теряется между правилами и случаями в резюме Визуального обоснования

arXiv: 2606.00148v2 Annuales Type: заменить резюме: модели мультимодального большого языка (MLMs) часто знают правило, но выбирают неправильный ответ: при абстрактных задачах визуального обоснования (AVR), модель может описать то, что она видит и называет лежащую в основе структуру, однако все еще не сможет выбрать подходящего кандидата. Существующие контрольные показатели АВР не могут обнаружить это, потому что они рушат восприятие, ввод правил и отвечают на отбор в один правый или неверный сигнал. Мы введем StemBind, общий диагностический критерий стебля, который прощупывает один и тот же визуальный ствол с тремя унифицированными вопросами: восприятие (что находится на образе), правило (какая модель регулирует его) и Полнота (который опция завершает его), так что ошибка при окончательном ответе может быть отнесена к конкретному подэтапу из тех же доказательств. StemBind содержит 2 298 обработанных светом знаний в рамках девяти проверяемых визуальных операций, общая сумма которых составляет 19 533 задачи P/R/F и каждый полный пункт, аннотированный четырьмя этапами рассуждений Стернберга (S1 Encode, S2 Infer, S3 Map, S4 Apple). Оценкаa