CLIP双编码器可预测视觉世界注视偏好

一项 arXiv 计算语言学论文提出，用归因方法从简单的双模态 CLIP bi-encoder 中推导目标偏好，以预测视觉世界研究中的注视模式。作者称该方法无需生成式架构、无需微调，且未针对该任务训练。 据作者称，该方法能定性复现一项经典英语视觉世界研究中人类的预测性加工注视模式。研究由 Rahul Murali Shankar、Titus von der Malsburg 和 Sebastian Padó 完成。报道未给出在更多语言或实验中的验证结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。