ECCV 2026 论文称多模态 LLM 1-shot 反而更差
HildeKuehne · x · 2026-07-29
一些多模态 LLM 在 1-shot 下反而更差，论文认为类名是关键因素
这条内容讨论了一个反直觉现象：在标准 few-shot 基准上，若干多模态 LLM 的表现会出现 0-shot 好于 1-shot 的情况；如果进一步去掉语义类名，in-context prompting 甚至会接近崩溃。
作者称他们的 ECCV 2026 论文 DeCoDe 解释了为什么在某些多模态场景里，“给例子”不一定有帮助，甚至可能带来负作用。
「研究」频道最新
- 多项研究显示，AI терапия 回复常被评得比人类更有同理心 — sapinker · 2026-07-29
- TransluceAI 提出监督基础模型，专抓 reward hacking — JacobSteinhardt · 2026-07-29
- 为何 tokenizers 仍难被端到端优化 — seanmcdonaldxyz · 2026-07-29
- 学生用 molab 训练本地编码 agent，跑赢两款 7B 基线 — S_Conradi · 2026-07-29
- TILT 用模型内生奖励提升文生图组合一致性 — Debottam Dutta · 2026-07-29
- KLS 猜想新进展把凸几何、Monge–Ampère 方程和 ChatGPT 串起来 — lihua_lei_stat · 2026-07-29