arXiv cs.AI· Joong Ho (Joshua), Choi, Aditya Paul, Nidhi Singh·· 11 小时前AI 评分31
CARLAR Influence：多模态支票提取中的结构化幻觉风险与压缩图像对策
CARLAR Influence: A Structured Hallucination Risk in Multimodal Cheque Extraction and an Exploratory Compressed-Image Countermeasure
AI 导读
研究揭示多模态 LLM 在支票提取中存在 CARLAR 影响：模型对 Courtesy Amount 与 Legal Amount 两个字段返回相同金额，即使标注不同（含空白标注被编码为零）。
正文 · AI 翻译
摘要：多模态大语言模型（LLM）越来越多地被用于从财务文档中进行结构化提取，但它们在视觉歧义下的行为却鲜为人知。我们研究 CARLAR（大写金额识别与文字金额识别）影响：模型对支票的两个字段返回相同金额，尽管它们的标注并不相同，包括标注为空却被编码为零的情况。在十种视觉提示条件下，我们在 243 张主支票（其中 124 张有两个观测到的不相等金额）以及来自另外两个数据集的 598 个严格不匹配样本上评估了 GPT-4.1 和 Claude 4.5 Sonnet。在大写金额被遮盖的情况下，GPT-4.1 的 CARLAR 达到 73.7%（95% 自助法区间：68.3 至 79.0；与基线相比 p 低于 0.001）。当预测一致时，模型报告的置信度可能仍然很高；在 CARLAR 案例中，期望校准误差达到 0.93。我们还测试了一种压缩图像少样本干预，将示例呈现为一张视觉表格，且不进行模型微调。在 243 例队列上，Claude 的 Control 条件将成对联合提取准确率提高了 11.5 个百分点（95% 区间：6.2 至 16.9；校正后 p = 0.00054），但其在 strict-124 上的增益较小，且校正后不显著。该干预对预测字段一致性的影响因模型而异：对 Claude 降低，对 GPT-4.1 提高。这些结果推动了对考虑视觉上下文和提取字段之间依赖关系的验证方法的需求。
| 评论： | 12 页 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27192 [cs.CV] |
| （或 arXiv:2610.27192v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27192 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Joong Ho Choi [查看电子邮件]
[v1]
2026 年 10 月 19 日星期一 19:29:12 UTC（2,494 KB）
来源：arXiv cs.AI · arxiv.org