多模态视觉语言模型的区域人文适配：GG-EZ 方法在东南亚实现 5-15% 文化相关性提升
Anthropogenic Regional Adaptation in Multimodal Vision-Language Model
研究者提出“区域人文适配”新范式及 GG-EZ 适配方法，通过区域数据过滤与模型合并，让视觉语言模型贴合特定地区语境。在大型视觉语言模型、文生图扩散模型和视觉语言嵌入模型 3 类架构上实验，东南亚案例显示文化相关性指标提升 5-15%，同时保留超 98% 的全球性能。
作者：Samuel Cahyawijaya、Peerat Limkonchotiwat、Tack Hwa Wong、Hitesh Laxmichand Patel、Amit Agarwal、Manuel Antonio Rufino、Carlos Rafael Catalan、Muhammad Reza Qorib、Vicky Feliren、Holy Lovenia、Aye Hninn Khine、Frederikus Hudi、David Anugraha、Alham Fikri Aji、Romrawin Chumpu、Viet-Thanh Pham、Minghan Wang、Mohamed Fazli Imam、Ruochen Zhang、Joseph Marvin Imperial、Khumaisa Nur'aini、Do Xuan Long、Musa Izzanardi Wijanarko、Joel Ruben Antony Moniz、Patrick Amadeus Irawan、Hanif Muhammad Zhafran、Isaiah Flores、Salsabila Zahirah Pranida、Jun Kevin、Jostin Jerico Rosal、Patricia Nicole Monderin、Kun Kerdthaisong、Ahmad Mustafid、My Chiffon Nguyen、Natchapon Jongwiriyanurak、Siva Worajitwannakul、Haochen Li、Adrian Xuan Wei Lim、Bin Wang、Muhammad Ravi Shulthan Habibi、Lynnette Hui Xian Ng、Mithil Bangera、Yeshil Bangera、Priyaranjan Pattnayak、Dun Li Chan、Sherissa Caren Djuniwar、Cho Chan Myei Oo、Hee Ming Shan
摘要：尽管视觉-语言（VL）领域在跨多种语言和领域整合视觉与文本信息方面取得了显著成功，但目前仍缺乏专门用于评估视觉-语言系统中以人为中心对齐的框架。为填补这一空白，我们做出两项贡献。首先，我们提出人为区域适配（Anthropogenic Regional Adaptation）：一种旨在优化模型与特定区域语境的相关性，同时确保保留全局泛化能力的新范式。其次，我们提出一种简单但有效的适配方法，名为地理泛化易实现（Geographical-generalization-made-easy，GG-EZ），它利用区域数据过滤和模型合并。通过对 3 种 VL 架构（大型视觉-语言模型、文本到图像扩散模型和视觉-语言嵌入模型）开展全面实验，并以东南亚（SEA）区域适配为案例研究，我们证明了人为区域适配的重要性以及 GG-EZ 的有效性，显示在东南亚各文化相关性指标上提升 5-15%，同时保持超过 98% 的全局性能，甚至偶尔超越它。我们的发现确立了人为区域对齐作为多模态视觉-语言模型在多样区域适用性的基础范式，并展示了一种简单而有效的基线方法，可在保持全局泛化的同时优化区域价值对齐。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2604.11490 [cs.AI] |
| （或本版本的 arXiv:2604.11490v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2604.11490 由 DataCite 签发的 arXiv DOI |
提交历史
来自：Tack Hwa Wong [查看邮箱]
[v1]
2026年4月13日星期一 13:56:00 UTC（7,028 KB）
[v2]
2026年4月16日星期四 23:50:04 UTC（7,028 KB）
[v3]
2026年10月31日星期六 05:25:53 UTC（7,045 KB）
来源：arXiv cs.CL · arxiv.org