CAST：用于视觉语言模型的跨模态对齐相似性测试
原文中文，约200字，阅读约需1分钟。发表于：。本研究针对视觉语言模型（VLM）在视觉问答任务（VQA）评价中的不足，提出了跨模态对齐相似性测试（CAST），以探测VLM在不同模态间的自我一致性。CAST通过文本、图像或两者结合的方式评估模型识别场景间相似性的能力，并关注其输出的内部一致性，从而验证在自我一致性与能力之间的关系。
本研究提出了跨模态对齐相似性测试（CAST），用于评估视觉语言模型（VLM）在视觉问答任务（VQA）中的自我一致性。
