待验证50% 置信观点精确时间
应用于PSG任务的多模态大语言模型(MLLM)作为静态观察者,受限于固定分辨率视图,常忽略涉及小物体或边缘物体的关键关系,并难以区分模糊谓词。
1
来源数
50%
置信度
长期有效
时效性
2026/11/6
首次发现
来源
涉及实体
相关事实
待验证当前MLLM倾向于依赖训练数据中的语义模式,而非灵活适应视觉不确定性。69% 相似待验证视觉语言模型(VLM)存在提示词偏置问题:当提示中明确指定目标类别时,模型倾向于在图像中'找到'符合描述的物体,即使实际不存在。67% 相似待验证多模态大模型(VLM)不是OCR,它在视觉向量上进行注意力计算并结合语言先验推断内容,对无规律哈希值会产生幻觉而非报识别失败66% 相似待验证时序多模态大语言模型(TS-MLLMs)借助大语言模型的推理能力处理问答任务,但很难真正捕捉动态的时间模式,提供的往往是隐式推理,缺乏对结论背后逻辑的显式解释65% 相似待验证多模态大语言模型(MLLM)绝大多数仍围绕单张图片输入做优化,多图输入时视觉token编码开销随图片数量线性甚至超线性增长。65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1141778API
curl https://kongchang.com/api/v1/knowledge/claims/1141778MCP
get_claim(id=1141778)