alkhder en ImageEval 2026: selección con restricciones y puntuación de logits promediada por rotación para detectar alucinaciones multimodales
Este trabajo describe la participación en la subtarea 1b de ImageEval 2026, que consiste en elegir, entre tres frases, la única visualmente válida para una imagen, en inglés y en árabe estándar moderno. Usa un modelo visión-lenguaje de 7.000 millones de parámetros preentrenado, sin ajuste para la tarea, y rota las opciones para reducir el sesgo por posición. Obtiene una puntuación CI de 0,0510 en inglés y 0,0960 en árabe, con reducciones del 83,7 % y 80,4 % frente a las líneas base oficiales de 3.000 millones de parámetros.
Qué significa
Es un resultado de investigación sin efectos inmediatos para el usuario. Muestra que un modelo general, sin entrenarlo para la tarea, puede identificar mejor qué descripción coincide con una imagen, también en árabe, si se ajusta el orden de las respuestas.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- arXiv cs.CLLeer la noticia completa en arXiv cs.CL