arXiv · cs.AI· Seulgi Kim, Zhixiong Zhang, Xinwei Zhang, Jie Ling, Ronn Shaw·· 1 天前
GeoPID：分解并引导视觉语言模型中的视觉信息
GeoPID: Decomposing and Steering Visual Information in Vision-Language Models
arXiv:2610.08401v1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：Seulgi Kim, Zhixiong Zhang, Xinwei Zhang, Jie Ling, Ronn Shaw
研究任务与主要进展
GeoPID是一种无需训练的几何框架，用于分析视觉语言模型中的多模态信息。基于论文摘要，研究覆盖22个视觉语言模型和14个基准，将信息分解为冗余、模态独有和协同成分，并在推理时选择性放大视觉独有子空间中的视觉表示。摘要报告，在不更新模型参数的情况下，视觉 grounding 能力得到提升，平均相对准确率增益为7.63%。
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