视觉语言模型（VLMs）在多模态任务中扮演着关键角色，但它们在理解否定方面存在显著缺陷。现有模型往往难以区分肯定和否定语句，这在需要精确语义理解的应用中（例如医学诊断和安全监控）尤其令人担忧。其根本原因在于预训练数据中的偏差，导致模型将否定语句与肯定语句混淆。本文将介绍一个名为NegBench的全新框架，旨在解决VLMs理解否定能力不足的问题。
在多模态任务中，视觉语言模型（VLMs）起着至关重要的作用，如图像检索、图像说明和医学诊断等。这些模型的目标是将视觉数据与语言数据进行对齐，以实现更高效的信息处理。然而，目前的 VLMs 在理解否定方面仍面临重大挑战。
否定在许多应用中至关重要，例如区分 “没有窗户的房间” 和 “有窗户的房间”。尽管 VLMs 取得了显著进展，但在处理否定陈述时，现有模型的表现却大幅下降。这种限制尤其在安全监控和医疗保健等高风险领域中显得尤为重要。
现有的 VLMs，如 CLIP，采用共享嵌入空间来对齐视觉和文本表示。虽然这些模型在跨模态检索和图像说明等任务上表现出色，但在处理否定语句时却显得力不从心。此问题的根源在于预训练数据的偏差，训练数据主要由肯定示例构成，导致模型将否定与肯定陈述视为同义。因此，现有的基准测试，如 CREPE 和 CC-Neg，采用了简单的模板示例，无法真实反映自然语言中否定的丰富性和深度。这使得 VLMs 在进行精准的语言理解应用时，如查询医学影像数据库中的复杂条件，面临巨大挑战。
为了解决这些问题，来自麻省理工学院、谷歌 DeepMind 和牛津大学的研究人员提出了 NegBench 框架，用于评估和改进 VLMs 对否定的理解能力。该框架评估两个基本任务:检索与否定（Retrieval-Neg），检验模型根据肯定和否定描述检索图像的能力;多项选择题与否定(MCQ-Neg)，评估模型在微妙理解上的表现。NegBench 使用大量合成数据集，如 CC12M-NegCap 和 CC12M-NegMCQ，包含数百万个涵盖丰富否定场景的标题，从而提高模型的训练和评估效果。
通过结合真实和合成的数据集，NegBench 有效克服了现有模型的限制，显著提高了模型的性能和泛化能力。经过微调的模型在检索和理解任务上都表现出显著改善，特别是在处理否定查询时，模型的召回率提高了10%。在多项选择任务中，准确率提升了多达40%，显示出在微妙的肯定和否定标题之间进行区分的能力大大增强。
NegBench 的提出，填补了 VLMs 在理解否定方面的关键空白，为构建更强大的人工智能系统铺平了道路，尤其在医学诊断和语义内容检索等关键领域具有重要意义。
论文:https://arxiv.org/abs/2501.09425
代码:https://github.com/m1k2zoo/negbench
划重点:
研究人员揭示了视觉语言模型在理解否定方面的不足，主要源于训练数据的偏差。
NegBench 框架通过引入丰富的否定示例，显著提升了模型在检索和理解任务上的表现。
微调后的模型在处理否定查询时，准确率和召回率都有显著提高，推动了人工智能系统的进步。
NegBench框架的出现为解决视觉语言模型在理解否定方面的难题提供了有效方案，其在提升模型性能和推动人工智能发展方面具有重大意义，值得进一步研究和应用。