Ragionamento Guidato dall'Attenzione Senza Addestramento per MLLM

Una nuova strategia di inferenza che non richiede addestramento è stata proposta dai ricercatori per i Modelli Linguistici Multimodali di Grandi Dimensioni (MLLM), con l'obiettivo di migliorare le prestazioni riducendo al minimo le spese separando la percezione dal ragionamento. Questo approccio, delineato nel documento arXiv (2608.03450), affronta le sfide dell'instabilità quando si applica il ragionamento LLM senza addestramento in contesti multimodali. Le tecniche attuali dipendono dall'entropia a livello di token, fondendo l'ambiguità percettiva con l'incertezza logica. Gli autori introducono una nuova metrica, il rapporto di attenzione visione-testo, che valuta il focus cognitivo e facilita le transizioni tra il ragionamento esplicito basato su testo (Chain-of-Thought, CoT) e i processi di pensiero sottostanti. Questo metodo migliora il ragionamento nei MLLM, affrontando le allucinazioni visive mantenendo efficienza ed efficacia senza gli alti costi associati al CoT esplicito o le esigenze di addestramento delle tecniche di ragionamento latente esistenti.