待验证50% 置信事实精确时间
多模态大语言模型在回答视觉推理问题时常常依赖语言先验而非真正相关的视觉证据
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
待验证对于需要精确视觉推理的场景（文档理解、图表问答、机器人视觉、医学影像），单靠CLIP视觉编码器不够，建议在视觉编码器层面做增强而非仅依赖更大的语言模型78% 相似待验证视觉语言模型在提示词遵循度评估上相对成熟，但在运动质量这类需要时序理解的维度上仍有局限76% 相似待验证视觉推理链（Visual Chain-of-Thought）借鉴语言模型的思维链提示技术，将复杂视觉问题分解为多个步骤逐步求解76% 相似待验证视觉幻觉指模型在描述图像时生成与实际视觉内容不符的信息，源于语言模型倾向于用语言先验知识填补视觉信号不明确的空白74% 相似待验证多模态大模型可借助语言先验补全模糊字符，使针对单一字符视觉特征的攻击效力大打折扣73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/990633API
curl https://kongchang.com/api/v1/knowledge/claims/990633MCP
get_claim(id=990633)