Résumé IA · arXiv: 2611.00428v1 · cs.LG

Do Multimodal Models Decide Consistently on Equivalent Optical Spectra?

Ziyuan Wang, Genliang Zhu, Xiaobo Chen
Article original Soumis à arXiv le 30 Oct. 2026 20 pages, 4 figures, 11 tables. Code and data: https://github.com/zwang-devv/spectra-decision-audit Licence : CC BY 4.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Les modèles prennent souvent des décisions différentes pour des spectres optiques équivalents et s’abstiennent rarement quand l’information nécessaire manque, sauf après un entraînement adapté.

Question

Les décisions des modèles multimodaux restent-elles cohérentes lorsque les mêmes spectres sont présentés sous des formats ou coordonnées différents ? Savent-ils s’abstenir quand la partie du spectre nécessaire pour répondre a été supprimée ?

Méthode

Les auteurs évaluent des spectres mesurés de 10 000 métasurfaces MOCLIP et 448 synthèses de nanoparticules d’or, dont 131 conservées après filtrage, avec des étiquettes calculées à partir des données. Les spectres sont présentés sous quatre formes tabulaires et deux formes graphiques, et des coupes conservant ou supprimant l’information pertinente servent à tester l’abstention ; plusieurs modèles décisionnels et génératifs sont comparés. Enfin, d3-nano est adapté par LoRA dans plusieurs conditions, avec trois graines par bras, dont un entraînement comprenant des exemples tronqués mais encore répondables.

Résultats

  • Résultat Changer la représentation modifie parfois fortement la précision, en particulier pour les coordonnées en énergie ; sur les spectres d’or, les tableaux en eV la diminuent de 41 points pour Jev par rapport aux tableaux en nm.
    Voir le passage dans l’article
    On gold, eV tables lower accuracy by 41 points for Jev, 21 for Luna gen. none, 20 for d3-nano, and 13 for Luna Decisions.
  • Résultat À données inchangées, formuler la question en énergie plutôt qu’en longueur d’onde aide certains couples modèle-tâche et en pénalise d’autres.
    Voir le passage dans l’article
    d3-nano drops from 59% to 34% on gold compare tables ($-25$), and low-reasoning Luna drops from 100% to 90% on gold threshold tables ($-10$).
  • Résultat Les modèles non adaptés distinguent généralement mal les coupes qui retirent l’extrémum pertinent de celles qui ne retirent que des données hors de l’intervalle demandé.
    Voir le passage dans l’article
    Base d3-nano never abstains. On gold, Jev, Luna Decisions, and Luna gen. none choose “undetermined” on only 0–5% of middle-gap requests.
  • Résultat L’entraînement avec des coupes répondables améliore de façon plus cohérente la discrimination entre coupes répondables et non répondables que l’ajout d’une quantité comparable d’exemples de la tâche originale.
    Voir le passage dans l’article
    Across both training durations, all six seeds trained with answerable truncations avoid the shortcut. Five of the six seeds trained with a similar amount of original-task data lose 27–99 points on outside cuts.
  • Interprétation des auteurs Les gains de l’adaptation restent circonscrits aux tâches et représentations couvertes, et ne démontrent pas l’acquisition d’une règle physique générale.
    Voir le passage dans l’article
    These gains are limited to the tested templates, representations, and data. They do not establish that the model has learned a general physical rule.

Limites

  • Les jeux de données couvrent peu de systèmes optiques, et le filtrage des spectres ainsi que l’échantillonnage de MOCLIP limitent la portée des conclusions sur les résonances étroites.
    Voir le passage dans l’article
    Both datasets cover a narrow range of optical systems, and we select spectra with clear extrema. MOCLIP’s 10 nm sampling does not support claims about narrow resonances.
  • Les tâches reposent sur des modèles de questions à choix multiples fixes et les tests de suffisance ne couvrent que deux intervalles de requête par jeu.
    Voir le passage dans l’article
    The tasks use fixed multiple-choice templates. Each scope set has two query intervals, and their boundaries are partly associated with answer bands.
  • L’étude d’adaptation porte sur un seul modèle de base et trois graines par bras, et les différences de matériel compliquent certaines comparaisons entre conditions.
    Voir le passage dans l’article
    The adaptation study uses one base model, a frozen vision tower, and three seeds per arm. The arms differ in training updates, and two epochs leave ftC seed 1 under-trained. The supplementary and original arms also use different GPUs, so hardware differs in the ftD–ftC comparison.

Portée

Les auteurs soutiennent que l’évaluation des modèles destinés aux décisions scientifiques doit tester les représentations équivalentes et la suffisance des données, plutôt que de se limiter à la précision moyenne. Les coupes répondables permettent notamment de repérer si l’abstention apprise reflète réellement l’absence de preuve nécessaire ou un simple raccourci lié à toute entrée tronquée.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : modèles multimodaux spectres optiques invariance aux représentations abstention adaptation LoRA

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
L’article examine si les modèles multimodaux prennent des décisions cohérentes lorsque les mêmes spectres optiques sont présentés sous des formes équivalentes, et s’ils savent s’abstenir lorsque les données nécessaires font défaut. Les auteurs évaluent des spectres mesurés de métasurfaces de silicium (MOCLIP) et de nanoparticules d’or. Les réponses attendues sont calculées directement à partir des données. L’étude porte notamment sur les changements de coordonnées : une longueur d’onde plus grande correspond à une énergie photonique plus faible, relation que le modèle doit interpréter correctement. Chaque tâche est présentée sous plusieurs formes : tableaux en nanomètres, en micromètres, en notation scientifique ou en électronvolts, ainsi que graphiques exprimés en longueur d’onde ou en énergie. Les auteurs modifient également le sens et la formulation de certaines questions, ainsi que l’ordre des données. Pour évaluer l’abstention, ils comparent les spectres complets à des versions tronquées. Certaines coupes retirent des données situées hors de l’intervalle demandé, tout en préservant l’information utile. D’autres suppriment la région contenant l’extrémum pertinent, ce qui rend la réponse indéterminable. Les modèles évalués sont d3-nano, Jev 1.13, trois configurations de GPT-6 Luna et le modèle de base Qwen3.5-2B. Les auteurs adaptent également d3-nano avec LoRA, en utilisant différentes représentations et quantités d’exemples d’entraînement. Les résultats varient sensiblement selon la représentation des données. Les changements de format numérique en coordonnées de longueur d’onde ont généralement peu d’effet, tandis que le passage aux coordonnées énergétiques peut en avoir beaucoup. Pour les spectres d’or, les tableaux en eV réduisent l’exactitude, par rapport aux tableaux en nm, de 41 points pour Jev, de 21 points pour Luna en génération sans effort de raisonnement, de 20 points pour d3-nano et de 13 points pour Luna Decisions. Les graphiques ont eux aussi des effets variables selon le modèle : Luna sans raisonnement perd 34 points sur les graphiques en eV pour l’or, tandis que Luna Decisions gagne 15 points sur les graphiques en nm pour MOCLIP. Une formulation explicite en termes d’énergie ne résout pas systématiquement les difficultés. Elle améliore certains couples tâche-modèle de 16 à 50 points, mais en dégrade d’autres, jusqu’à 25 points. L’abstention constitue un autre point faible. Lorsque l’extrémum utile est supprimé, d3-nano, Jev et Luna Decisions ne répondent jamais « indéterminé » dans la principale tâche MOCLIP concernée. Dans les tests de portée, les modèles non adaptés distinguent souvent mal les coupes qui préservent l’information de celles qui la suppriment. Les auteurs montrent qu’un taux élevé d’abstention sur des données tronquées peut être trompeur : certains modèles adaptés s’abstiennent également lorsque les données retirées sont sans importance. En revanche, l’ajout à l’entraînement de coupes qui rendent la réponse déterminable et d’autres qui la rendent indéterminable améliore la discrimination pour les tableaux MOCLIP. Les six graines testées avec ces exemples évitent le raccourci consistant à s’abstenir sur toute entrée tronquée. Dans le groupe témoin, qui reçoit une quantité comparable de données ordinaires, cinq graines sur six adoptent ce raccourci.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Lettre hebdomadaire Présenté dans « Intelligence artificielle cette semaine » du 9 novembre 2026. Intelligence artificielle cette semaine : ce que les bons scores ne disent pas
Un sujet qui monte Cet article fait partie de « Comment l’IA prend des décisions », qui monte en Calcul et langage (cs.CL) (×3,0 par rapport à d'habitude). Les sujets qui montaient cette semaine-là · L'historique du terme

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Proche Contexte plus large
    Evaluating large language models on multimodal chemistry olympiad exams
    Yiming Cui, Xin Yao, Yuxuan Qin et al. · 2025 · Communications Chemistry · cité 17 fois · Pas encore résumé

    «Evaluating large language models on multimodal chemistry olympiad exams» teste le raisonnement visuel et textuel de modèles multimodaux sur des questions de chimie, plutôt que sur des spectres optiques équivalents.

    Résumé scientifique

    Multimodal scientific reasoning remains a significant challenge for large language models (LLMs), particularly in chemistry, where problem-solving relies on symbolic diagrams, molecular structures, and structured visual data. Here, we systematically evaluate 40 proprietary and open-source multimodal LLMs, including GPT-5, o3, Gemini-2.5-Pro, and Qwen2.5-VL, on a curated benchmark of Olympiad-style chemistry questions drawn from over two decades of U.S. National Chemistry Olympiad (USNCO) exams. These questions require integrated visual and textual reasoning across diverse modalities. We find that many models struggle with modality fusion, where, in some cases, removing the image even improve…

  2. Apparenté Contexte plus large Cité par cet article
    Unified neural network model for predicting optical responses in gold nanostructures
    Xiao-Bo Wang, Yu-Chen Cao, Feng Feng et al. · 2025 · Journal of Applied Physics · cité 6 fois · Pas encore résumé

    «Unified neural network model for predicting optical responses in gold nanostructures» prédit les spectres de nanostructures d’or à partir de leur géométrie, tandis que cet article évalue des décisions sur des spectres mesurés.

    Résumé scientifique

    In this paper, we present a deep neural network model capable of simultaneously predicting the optical transmittance spectra of three distinct gold nanostructures: nanodisks, truncated cones, and nanocones. Our model achieved a mean squared error loss as low as 0.0015. By systematically varying geometric parameters, we generated a comprehensive dataset to train the model, which captures complex dependencies between structure and optical response. A key finding is the redshift in resonance dip associated with increasing sidewall tilt. We further validated the model by comparing its predictions with experimental results, showing excellent agreement. This work demonstrates a powerful, data-driv…

  3. Apparenté Même question Cité par cet article
    SpecVQA: A Benchmark for Spectral Understanding and Visual Question Answering in Scientific Images
    Jialun Shen, Han Lyu, Su-Yang Zhong et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 1 fois · Pas encore résumé

    SpecVQA évalue la compréhension de spectres et les réponses à des questions scientifiques sur des images, comme cet article évalue les décisions de modèles multimodaux sur des spectres.

    Résumé scientifique

    Spectra are a prevalent yet highly information-dense form of scientific imagery, presenting substantial challenges to multimodal large language models (MLLMs) due to their unstructured and domain-specific characteristics. Here we introduce SpecVQA, a professional scientific-image benchmark for evaluating multimodal models on scientific spectral understanding, covering 7 representative spectrum types with expert-annotated question-answer pairs. The aim comprises two aspects: spectra scientific QA evaluation and corresponding underlying task evaluation. SpecVQA contains 620 figures and 3100 QA pairs curated from peer-reviewed literature, targeting both direct information extraction and domain-…

  4. Apparenté Contexte plus large Cité par cet article
    Probing the limitations of multimodal language models for chemistry and materials research
    Nawaf Alampara, Mara Schilling-Wilhelmi, Martiño Ríos-García et al. · 2024 · Nature Computational Science · cité 89 fois · Pas encore résumé

    MaCBench évalue des modèles vision-langage sur des tâches de chimie et de science des matériaux, dont l’interprétation de résultats, sans se limiter à l’équivalence des formats spectraux.

    Résumé scientifique

    Recent advancements in artificial intelligence have sparked interest in scientific assistants that could support researchers across the full spectrum of scientific workflows, from literature review to experimental design and data analysis. A key capability for such systems is the ability to process and reason about scientific information in both visual and textual forms—from interpreting spectroscopic data to understanding laboratory set-ups. Here we introduce MaCBench, a comprehensive benchmark for evaluating how vision language models handle real-world chemistry and materials science tasks across three core aspects: data extraction, experimental execution and results interpretation. Throug…

  5. Apparenté Contexte plus large
    Reading and steering representations of materials-science mechanisms in an open-weight language model
    Markus J. Buehler · 2026 · AI for Science · cité 1 fois · Pas encore résumé

    «Reading and steering representations of materials-science mechanisms in an open-weight language model» étudie les représentations internes et le raisonnement en science des matériaux, plutôt que la cohérence des décisions sur des spectres.

    Résumé scientifique

    Large language models can answer scientific questions, yet a correct output does not reveal whether the model represents or uses the governing physics. Here, using three open-weight Gemma 4 instruction-tuned models (google/gemma-4-E4B-it, google/gemma-4-12B-it, and google/gemma-4-31B-it) we identify three experimentally separable signatures of materials-science mechanism information: selective concept readability, relational encoding of qualitative constitutive orientation, and causal, context-dependent control of constrained engineering answers. Across 50 held-out descriptions, three independently fitted Jacobian lenses produced nearly identical concept ranks, but 36 prompts recovered no de…

  6. Apparenté Contexte plus large
    Good Scores, Bad Data: A Metric for Multimodal Coherence
    V. Srinivasan · 2026 · arXiv.org · preprint, non relu par les pairs · Pas encore résumé

    «Good Scores, Bad Data» mesure la cohérence multimodale sur des images Visual Genome et COCO, tandis que cet article teste la stabilité des décisions sur des spectres.

    Résumé scientifique

    Multimodal AI systems are evaluated by downstream task accuracy, but high accuracy does not mean the underlying data is coherent. A model can score well on Visual Question Answering (VQA) while its inputs contradict each other. We introduce the Multimodal Coherence Score (MCS), a metric that evaluates fusion quality independent of any downstream model. MCS decomposes coherence into four dimensions, identity, spatial, semantic, and decision, with weights learned via Nelder-Mead optimization. We evaluate on 1,000 Visual Genome images using DETR, CLIP, and ViLT, and validate on 150 COCO images with no retraining. Across three fusion architectures, MCS discriminates quality with higher sensitivi…

  7. Apparenté Contexte plus large
    MME: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models
    Chaoyou Fu, Peixian Chen, Yunhang Shen et al. · 2023 · Computer Vision and Pattern Recognition · cité 1 927 fois · Résumé IA disponible

    MME propose un benchmark général de perception et cognition multimodales, alors que cet article cible la cohérence des réponses à des spectres représentés de plusieurs façons.

    Résumé scientifique

    Multimodal Large Language Model (MLLM) relies on the powerful LLM to perform multimodal tasks, showing amazing emergent abilities in recent studies, such as writing poems based on an image. However, it is difficult for these case studies to fully reflect the performance of MLLM, lacking a comprehensive evaluation. In this paper, we fill in this blank, presenting the first MLLM Evaluation benchmark MME. It measures both perception and cognition abilities on a total of 14 subtasks. In order to avoid data leakage that may arise from direct use of public datasets for evaluation, the annotations of instruction-answer pairs are all manually designed. The concise instruction design allows us to fai…

  8. Apparenté Même question
    Same Answer, Different Representations: Hidden instability in VLMs
    Farooq Ahmad Wani, Alessandro Suglia, Rohit Saxena et al. · 2026 · Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing · cité 4 fois · Pas encore résumé

    «Same Answer, Different Representations» étudie la stabilité des modèles vision-langage sous des représentations différentes, question également testée ici avec des formats équivalents de spectres.

    Résumé scientifique

    The robustness of Vision Language Models (VLMs) is commonly assessed through output-level invariance, implicitly assuming that stable predictions reflect stable multimodal processing. In this work, we argue that this assumption is insufficient. We introduce a representation-aware and frequency-aware evaluation framework that measures internal embedding drift, spectral sensitivity, and structural smoothness (spatial consistency of vision tokens), alongside standard label-based metrics. Applying this framework to modern VLMs across the SEEDBench, MMMU, and POPE datasets reveals three distinct failure modes. First, models frequently preserve predicted answers while undergoing substantial intern…

Les travaux antérieurs sur lesquels il s’appuie

  1. Apparenté Contexte plus large
    Large Language Models Are Not Robust Multiple Choice Selectors
    Chujie Zheng, Hao Zhou, Fan-Dong Meng et al. · 2023 · International Conference on Learning Representations · cité 725 fois · Pas encore résumé

    «Large Language Models Are Not Robust Multiple Choice Selectors» teste les biais de position dans les choix multiples, non les variations de représentation des données scientifiques.

    Résumé scientifique

    Multiple choice questions (MCQs) serve as a common yet important task format in the evaluation of large language models (LLMs). This work shows that modern LLMs are vulnerable to option position changes in MCQs due to their inherent"selection bias", namely, they prefer to select specific option IDs as answers (like"Option A"). Through extensive empirical analyses with 20 LLMs on three benchmarks, we pinpoint that this behavioral bias primarily stems from LLMs' token bias, where the model a priori assigns more probabilistic mass to specific option ID tokens (e.g., A/B/C/D) when predicting answers from the option IDs. To mitigate selection bias, we propose a label-free, inference-time debiasin…

  2. Apparenté Contexte plus large
    Sufficient Context: A New Lens on Retrieval Augmented Generation Systems
    Hailey Joren, Jian-Yi Zhang, C. Ferng et al. · 2024 · International Conference on Learning Representations · cité 141 fois · Pas encore résumé

    «Sufficient Context» distingue les questions répondables de celles privées d’informations suffisantes, comme cet article teste l’abstention lorsque la portion pertinente du spectre manque.

    Résumé scientifique

    Augmenting LLMs with context leads to improved performance across many applications. Despite much research on Retrieval Augmented Generation (RAG) systems, an open question is whether errors arise because LLMs fail to utilize the context from retrieval or the context itself is insufficient to answer the query. To shed light on this, we develop a new notion of sufficient context, along with a method to classify instances that have enough information to answer the query. We then use sufficient context to analyze several models and datasets. By stratifying errors based on context sufficiency, we find that larger models with higher baseline performance (Gemini 1.5 Pro, GPT 4o, Claude 3.5) excel …

  3. Apparenté Même méthode, autre problème
    Jev for Scientific Decisions: Evaluating Semantic Choices and Their Consequences
    Bo-Yuan Deng, Shu-Yi Fan, Hong-Yang Zhang et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 13 fois · Pas encore résumé

    «Jev for Scientific Decisions» évalue Jev sur des choix sémantiques scientifiques, tandis que cet article inclut Jev 1.13 pour décider à partir de spectres.

    Résumé scientifique

    Scientific workflows often require choosing among known relations before a deterministic calculation can proceed. Whether observations share a culture, treatment or reference standard can change the scientific meaning of the resulting count or comparison. Once the evidence is prepared and the calculation is written as code, this choice reduces to one semantic judgment among listed candidates. We evaluate Jev on this step, using a harness that follows its documented guidance. The study compares twelve model configurations on twenty Choices in ten scientific cases built from published sources, each repeated five times. We measure semantic selections, downstream outputs and final claim labels s…

  4. Apparenté Même méthode, autre problème
    From Text Decisions to Pixels: An Study of Jev-Style Visual Choice Model
    Xun-Lan Zhou, Xian-Liang Yang, Li Zhao · 2026 · arXiv.org · preprint, non relu par les pairs · cité 7 fois · Pas encore résumé

    PixelJev adapte une interface de choix Jev aux images et évalue des modèles multimodaux, tandis que cet article teste Jev sur des représentations graphiques de spectres.

    Résumé scientifique

    Visual software often needs a decision over supplied alternatives rather than a generated explanation. We present PixelJev, a native-image decision interface that maps an image, a task instruction, and a runtime candidate set to a structured choice and candidate-conditioned probabilities using small open multimodal models. Its initial realization unifies recognition and multiplechoice visual question answering through an existing language-model readout, with separately evaluated options for frozen inference, language-side adaptation, and held-out calibration. Across seven benchmark evaluations, 64-shot source adaptation raises Pets accuracy from 60.13% to 92.40% across optimization seeds and…

  5. Apparenté Base de cet article
    MOCLIP: a foundation model for large-scale nanophotonic inverse design
    S. Rodionov, A. Burguete-Lopez, M. Makarenko et al. · 2025 · Nature Communications · cité 5 fois · Pas encore résumé

    MOCLIP fournit les données expérimentales de métasurfaces dont cet article évalue les spectres et les décisions multimodales.

    Résumé scientifique

    Foundation models are transforming artificial intelligence by enabling generalizable, data-efficient solutions across diverse domains and applications. However, the lack of large and diverse datasets remains a key barrier to their development in nanophotonics. This work presents MOCLIP (Metasurface Optics Contrastive Learning Pretrained), a nanophotonic foundation model that encodes metasurfaces’ structural and spectral information into a shared latent space via contrastive learning, using an experimentally acquired dataset with sample density approaching the scale of ImageNet-1K. The study demonstrates MOCLIP’s inverse design capabilities, including high-throughput zero-shot prediction at 2…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 9 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.