Bias di Ancoraggio Visivo Scoperto nei Modelli Visione-Linguaggio

Una recente indagine indica che la presenza di ancore numeriche all'interno delle immagini distorce significativamente le valutazioni di qualità nei Modelli Visione-Linguaggio. Questo studio, disponibile su arXiv, ha valutato sei VLM appartenenti a cinque diverse famiglie architetturali e ha scoperto che l'influenza delle ancore è 2,5 volte maggiore rispetto a quella di un grave deterioramento della qualità dell'immagine, dimostrando che il bias non può essere attribuito esclusivamente ad alterazioni visive. Attraverso un probing a livello di layer, è stata osservata una chiara dissociazione: i layer in cui la classificazione delle ancore raggiunge la saturazione (L12-L34) sono meno efficaci per la previsione della qualità, mentre i layer ottimali si trovano più in profondità (R^2 = 0,69-0,91). L'analisi di fusione rivela che l'integrazione varia a seconda dell'architettura, con due modelli che mostrano una fusione immediata a L1-L2, mentre altri tre presentano una fusione parziale o assente. Questi risultati forniscono una spiegazione causale per il bias di ancoraggio visivo, collegando la vulnerabilità comportamentale alle dinamiche di rappresentazione.