--- format: "aidr-story-markdown/v1" id: "221066da401d8b34767f44ddfd503b67d6f99444a2d3b9d8737de92a1dcc2481" canonical_url: "https://aidr.today/221066da?lang=vi" title: "Chẩn đoán khoảng cách tham chiếu" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-11-03T00:00:00.000Z" category: "Research" topics: ["reasoning"] source_urls: ["https://huggingface.co/papers/2610.39419"] summary: "Các multimodal large language models có thể nhận diện nội dung hình ảnh nhưng lại gặp khó khăn trong việc suy luận đáng tin cậy trên đó qua nhiều bước. Khi đếm, mô hình có thể thấy tất cả các đối tượng nhưng lại quên mất đã đếm những đối tượng nào. Chúng tôi cho rằng những thất bại này, thường bị quy cho nhận thức, cho thấy một khoảng cách tham chiếu: sự thất bại trong việc liên kết ngôn ngữ với các thực thể, vùng hoặc vị trí hình ảnh liên quan. Được thúc đẩy bởi lý thuyết về các thói quen hình ảnh, chúng tôi kiểm tra xem các tham chiếu bên ngoài như đánh số có thể thu hẹp khoảng cách này không. Chúng tôi giới thiệu ReGap-Bench, một benchmark ghép cặp gồm năm tác vụ suy luận hình ảnh trong đó cảnh, câu hỏi và câu trả lời được cố định và chỉ có tham chiếu thay đổi. Kết quả cho thấy các tham chiếu khớp với tác vụ cải thiện độ chính xác tới 25%, trong khi các tham chiếu không khớp mang lại ít lợi ích hoặc thậm chí làm giảm hiệu suất. Những phát hiện này xác định khoảng cách tham chiếu là một nút thắt riêng biệt so với nhận thức hình ảnh và cho thấy việc xây dựng các tham chiếu hình ảnh phù hợp với tác vụ có thể đóng vai trò là kỹ năng hình ảnh không cần huấn luyện để cải thiện suy lu…" --- # Chẩn đoán khoảng cách tham chiếu > [Open the canonical story]() **Published:** 2026-11-03T00:00:00.000Z **Category:** Research **Topics:** reasoning ## Summary Các multimodal large language models có thể nhận diện nội dung hình ảnh nhưng lại gặp khó khăn trong việc suy luận đáng tin cậy trên đó qua nhiều bước\. Khi đếm, mô hình có thể thấy tất cả các đối tượng nhưng lại quên mất đã đếm những đối tượng nào\. Chúng tôi cho rằng những thất bại này, thường bị quy cho nhận thức, cho thấy một khoảng cách tham chiếu: sự thất bại trong việc liên kết ngôn ngữ với các thực thể, vùng hoặc vị trí hình ảnh liên quan\. Được thúc đẩy bởi lý thuyết về các thói quen hình ảnh, chúng tôi kiểm tra xem các tham chiếu bên ngoài như đánh số có thể thu hẹp khoảng cách này không\. Chúng tôi giới thiệu ReGap\-Bench, một benchmark ghép cặp gồm năm tác vụ suy luận hình ảnh trong đó cảnh, câu hỏi và câu trả lời được cố định và chỉ có tham chiếu thay đổi\. Kết quả cho thấy các tham chiếu khớp với tác vụ cải thiện độ chính xác tới 25%, trong khi các tham chiếu không khớp mang lại ít lợi ích hoặc thậm chí làm giảm hiệu suất\. Những phát hiện này xác định khoảng cách tham chiếu là một nút thắt riêng biệt so với nhận thức hình ảnh và cho thấy việc xây dựng các tham chiếu hình ảnh phù hợp với tác vụ có thể đóng vai trò là kỹ năng hình ảnh không cần huấn luyện để cải thiện suy lu… ## Sources - [Story source]()