# Zelftoetsing vermindert instemmingsbias bij multimodale LLM’s

> Onderzoekers introduceren SGV, een methode in twee stappen waarmee multimodale taalmodellen onjuiste handelingen betrouwbaarder herkennen. Daarmee verbeteren vervolgtaakprestaties met maximaal 25 procentpunt.

Oossa · 2026-11-13 · https://oossa.com/nl/self-grounded-verification-reduces-agreement-bias-in-multimodal-llms

Moises Andrade en collega’s presenteren SGV, een verificatiemethode voor multimodale LLM’s. Eerst laat de methode het model beschrijven hoe correct gedrag eruitziet; daarna beoordeelt het een specifieke handeling aan de hand van die beschrijving. Uit het onderzoek blijkt dat de methode de neiging van modellen om handelingen te vaak goed te keuren – ook wel instemmingsbias genoemd – vermindert. Het aantal herkende fouten stijgt met maximaal 25 procentpunt en de algehele nauwkeurigheid met 14 procentpunt. De verificateurs zijn getest met een GUI-specialist in OSWorld, een diffusiebeleid in RoboMimic en een ReAct-agent in VisualWebArena. Ze verbeteren de taakvoltooiing met ongeveer 20 procentpunt ten opzichte van de beste eerdere resultaten.

## De feiten

- SGV verbetert foutdetectie met maximaal 25 procentpunt
- De taakvoltooiing stijgt met ongeveer 20 procentpunt in OSWorld, RoboMimic en VisualWebArena

## Waarom het ertoe doet

Betere verificatie voorkomt dat AI-agenten ten onrechte zeker van hun zaak zijn. Daardoor presteren ze betrouwbaarder voor gebruikers van tools voor visueel webgebruik en robotica.

## Bronnen en referenties

1. [Let's Think in Two Steps: Mitigating Agreement Bias in MLLMs with Self-Grounded Verification](https://arxiv.org/abs/2507.11662) – arXiv cs.MA, 2026-11-13

Laatst bijgewerkt: 2026-11-13