arXiv cs.CL· Shun Inadumi, Lee Sangmyeong, Koichiro Yoshino·· 3 天前AI 评分24
通过候选集视觉定位识别对话歧义：CandVG 基准与 CSVG 任务
Recognizing Dialogue Ambiguity via Candidate Set Visual Grounding
AI 导读
研究者提出候选集视觉定位（CSVG）任务，用于估计与对话上下文一致的对象集合，并推出评估候选集随对话轮次变化的 CandVG 基准。对视觉语言模型的评测显示，更强的视觉定位能力并不必然带来更好的 CSVG 表现，模型难以预测完整候选集，且在早期轮次过早锁定少量候选。针对 CSVG 设计的指令可部分缓解这一局限。
正文 · AI 翻译
摘要：在现实世界的交互中，理解一个含义模糊的话语往往需要超出单个话语的上下文。当该话语指涉视觉场景中的物体时，有必要随着上下文的积累维护并更新可能的指称对象集合，而不能假定现有信息能够唯一确定某个物体。然而，以往关于交互式视觉定位（即定位语言表达所指涉的物体）的工作，一直侧重于在获得足够的对话上下文后识别出唯一物体。为弥补这一空白，我们提出了候选集视觉定位（CSVG），这是一项用于估计与给定对话上下文相符的物体集合的任务。我们进一步引入了 CandVG，一个评估候选集如何随对话轮次变化的基准。我们对视觉语言模型的评估表明，更强的视觉定位能力并不必然带来更好的 CSVG 表现。特别是，由于候选生成方面的挑战以及在早期轮次中过早地锁定于一小部分候选对象，模型难以预测完整的候选集。尽管如此，我们发现，在所评估的大规模模型中，使用专为 CSVG 设计的指令可以部分缓解这一局限。
| 评论： | 数据：此 https URL，代码：此 https URL |
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.19723 [cs.CL] |
| （或使用 arXiv:2610.19723v1 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.19723 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Shun Inadumi [查看电子邮件]
[v1]
2026年10月14日星期三 07:48:25 UTC（2,568 KB）
来源：arXiv cs.CL · arxiv.org