多模态模型在等效光学光谱决策中缺乏一致性
Start here
2026年11月3日，arXiv机器学习板块发布的一项研究显示，d3-nano、Jev 1.13、GPT-6 Luna及Qwen3.5-2B等多模态模型在等效光学光谱上缺乏表征一致性。评测表明，仅改变呈现格式，模型准确率波动即可达41个百分点；更换提问单位会导致表现提升16至50个百分点，或下降高达25个百分点。此外，在数据缺失时，未适配的模型极少主动拒答；通过LoRA微调的d3-nano易学到“截断即拒答”的捷径。目前，该研究涉及的评测任务与代码已开源。
AI-generated from reports · Updated 1 day ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习多模态模型在等效光学光谱上的决策是否一致？
评测表明，d3-nano、Jev 1.13、GPT-6 Luna 及 Qwen3.5-2B 在等效光学光谱上缺乏表征一致性，仅改变呈现格式准确率波动便达 41 个百分点。更换提问单位会使表现提升 16-50 点或下降达 25 点，且数据缺失时未适配模型极少主动拒答。d3-nano 经 LoRA 微调易学到截断即拒答的捷径，相关评测任务与代码已开源。
Story heat trend
Current heat 5·Comparable peak 9（Nov 3 18:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.