arXiv、「GAVAGAI」で乳幼児規模視覚言語モデルの参照整合性を改善
arXiv cs.CLは2026年10月30日(現地時間)、乳幼児規模の視覚言語モデルにおける参照整合性向上に関する研究論文「GAVAGAI」を公開した。本研究は、次トークンキャプション目的が単語と視覚領域の直接的な対応付けを欠くという課題に対処するため、内容語と視覚領域間の割り当て問題として各シーンを扱い、エントロピー最適輸送（entropic optimal transport）を用いて解決する手法を提案。単語が指し示す対象をより確実に学習させることを目指している。