arXiv cs.AI· Yuquan Li, Xinyang Jiang, Yuhao Xue, Cairong Zhao·· 1 天前AI 评分32
ERIM：用显式规则归纳增强多模态上下文学习
Multimodal In-Context Learning with Explicit Rule Induction
AI 导读
研究者提出 ERIM 框架，通过显式归纳演示样本背后的潜在规则来改进多模态上下文学习（MICL）。该方法利用多模态大模型（MLLM）的推理能力构建以规则为中心的数据集，引入规则归纳的显式监督，并采用混合冷启动监督微调与强化学习的两阶段策略微调 MLLM。实验显示，在多种 MICL 设置下性能一致提升，且正确归纳潜在规则可直接带来更强、更稳定的表现。
正文 · AI 翻译
摘要：多模态上下文学习（MICL）的一个核心挑战来自那些在没有上下文时定义不清、需要从演示中发掘潜在规则的任务。现有方法大多将 MICL 视为直接的输入-输出映射，忽视了显式归纳并基于此类规则进行推理的重要性，从而限制了性能与可解释性。我们提出 ERIM，即面向多模态上下文学习的显式规则归纳（Explicit Rule-Induction for Multimodal In-Context Learning），这是一个通过显式归纳支配演示样本的潜在规则来增强 MICL 的统一框架。ERIM 借助多模态大语言模型（MLLM）的推理能力，构建以规则为中心的 MICL 数据集，引入针对规则归纳的显式监督，并通过结合混合冷启动监督微调与强化学习的两阶段训练策略，对 MLLM 进行微调以执行显式规则归纳。大量实验表明，在多种 MICL 设置下性能均获得一致提升，并证明正确归纳潜在规则可直接带来更强、更稳定的性能。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41754 [cs.AI] |
| （或 arXiv:2610.41754v1 [cs.AI] 版本） | |
| https://doi.org/10.48550/arXiv.2610.41754 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yuquan Li [查看邮箱]
[v1]
2026年10月30日星期五 13:57:30 UTC（2,668 KB）
来源：arXiv cs.AI · arxiv.org