MIT与DeepMind联袂揭示：视觉语言模型理解否定表达的困境及根源

视觉语言模型（VLMs）在多模态任务中至关重要，但理解否定表达仍是其重大挑战。现有模型如CLIP在处理否定陈述时表现不佳，根源在于预训练数据主要由肯定示例构成，导致模型将否定与肯定视为同义。这在高风险领域如安全监控和医疗保健中尤为重要。

为解决此问题，MIT、DeepMind和牛津大学提出NegBench框架，用于评估和改进VLMs对否定的理解能力。该框架通过合成数据集提高模型训练和评估效果，显著提升了模型在处理否定查询时的召回率和多项选择任务中的准确率，为构建更强大的人工智能系统铺平了道路。