CIM方法揭示MLLM认知不确定性
Get the story
2026年10月5日，arXiv计算机视觉方向发布一项研究，提出因果不变掩码（CIM）框架，用于量化多模态大语言模型（MLLM）中的认知不确定性。该框架引入语义散度作为核心指标，并在理论上证明其收敛于模型对非因果相关性的敏感度方差。为加速不确定性量化过程，研究进一步提出期望嵌入漂移（EED），在超球面嵌入空间中直接估计语义偏移。实验显示，该方法在多个基准上取得SOTA性能，EED加速近50%且性能相当；论文已被NeurIPS 2026接收。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Computer Vision通过因果不变掩码揭示 MLLM 中的认知不确定性
一项研究提出因果不变掩码（CIM）框架，用于量化多模态大语言模型（MLLM）中的认知不确定性，并引入语义散度作为核心指标，理论证明其收敛于模型对非因果相关性的敏感度方差。为加速不确定性量化，研究进一步提出期望嵌入漂移（EED），在超球面嵌入空间中直接估计语义偏移。实验在多个基准上取得 SOTA 性能，EED 加速近 50% 且性能相当；论文已被 NeurIPS 2026 接收。
Heat trend
Current heat 7·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.