摘要
本文系统评估了冻结状态下的多模态大语言模型（MLLM）在少样本上下文学习中的概念可解释性。通过五种严谨度递增的条件进行测试，研究发现强制生成形式化的概念解释会单调降低预测准确率，表明显式推理并非总能提升性能。然而，当模型成功阐述类别区分性视觉特征时，解释质量与正确预测高度相关。结果表明，当前 MLLM 缺乏针对形式化、机器可验证解释的微调能力。
AI 推荐理由
论文评估 MLLM 在少-shot 学习中的概念解释与推理能力，揭示显式推理对性能的影响。
研究机构
Universidad de Granada, Spain
论文信息