# 答案一致性正则化

视觉语言模型在目标图像旁混入无关图像时准确率明显下降，即使提示直接点名目标图像，干扰仍会通过中间层“干扰图到文本”的连接影响推理。研究在Qwen2.5-VL上以单图预测为参照，用答案一致性正则对齐有干扰与无干扰时的答案分布，在五个感知基准、五张干扰图条件下把圆形准确率平均提高16个百分点，同时保持单图性能。

视觉语言模型在目标图像旁混入无关图像时准确率明显下降，即使提示直接点名目标图像，干扰仍会通过中间层“干扰图到文本”的连接影响推理。研究在Qwen2.5-VL上以单图预测为参照，用答案一致性正则对齐有干扰与无干扰时的答案分布，在五个感知基准、五张干扰图条件下把圆形准确率平均提高16个百分点，同时保持单图性能。