AnswerMap: Верная пространственная интерпретируемость VLM на основе ответных апостериоров

В статье представлена AnswerMap, метод генерации пространственной интерпретируемости для моделей Vision-Language (VLM), использующий ответные апостериоры из выходного узла. Она создает пространственную карту, анализируя 'да' апостериоры строк и столбцов изображения, предлагая черно-коричневую визуальную рационализацию, которая может производить непрерывные выходные данные, такие как расположение. Метод проверен тестами, демонстрирующими его достоверность и полезность в различных задачах.