用于选择性左右声明验证的对称感知似然轨道聚合

冻结的视觉语言模型（VLM）对于细粒度的左右声明仍然不可靠，并且原始声明可能性不需要可靠地对验证错误进行排名。确定水平反射干预后，应如何将其引起的似然测量组合成选择性验证信号？我们引入了 Relation-Orbit，这是一种没有学习融合参数的封闭形式对比，它将八个归一化可能性分配给由反射、逆关系和实体交换确定的查询支持和反事实角色。仅当带符号的对比度超过使用逐点 Clopper-Pearson 置信上限对保留数据选择的阈值时，才会断言声明。在四个冻结 VLM 的 VSR 和 GQA 上，Relation-Orbit 在 10% 选择性风险校准目标下产生的平均测试覆盖率高于所有八个数据集主干设置中的所有八个 Orbit-Max 基线；与几乎弃权的单方面干预得分相比的收益单独报告。单独的 LLaVA-1.5/COCO 评估、缩小轨道控制和两侧分区诊断进一步表征了结构优势。