arXiv · cs.AI· Hao Dong, Moru Liu, Jian Liang, Eleni Chatzi, Olga Fink·· 2 天前
TrustVLM：无需训练评估视觉语言模型的预测可信度
To Trust Or Not To Trust Your Vision-Language Model's Prediction
arXiv:2505.23745v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Hao Dong, Moru Liu, Jian Liang, Eleni Chatzi, Olga Fink
研究任务与主要进展
研究团队提出免训练框架TrustVLM，通过图像嵌入空间的置信度评分识别视觉语言模型的错误预测。基于论文摘要，该方法在17个数据集、4种架构和2个VLM上取得当前最佳表现，相较既有基线AURC、AUROC和FPR95最高分别改善51.87%、9.14%和32.42%。代码已公开于https://github.com/EPFL-IMOS/TrustVLM，但材料未提供论文全文及具体实验细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org