# Självförankrad verifiering minskar instämmandebias i multimodala språkmodeller

> Forskare presenterar SGV, en metod i två steg som hjälper multimodala språkmodeller att upptäcka felaktiga handlingar säkrare och förbättrar efterföljande uppgifter med upp till 25 procentenheter.

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

Moises Andrade och kollegor presenterar SGV, en verifieringsteknik för multimodala språkmodeller. Först får modellen beskriva hur ett korrekt beteende ser ut, och sedan bedömer den en specifik handling utifrån den beskrivningen. Studien visar att metoden minskar modellernas tendens att godkänna handlingar alltför ofta – så kallad instämmandebias – och ökar förmågan att upptäcka misslyckanden med upp till 25 procentenheter och den totala träffsäkerheten med 14 procentenheter. När verifierarna används med en GUI-specialist i OSWorld, en diffusionspolicy i RoboMimic och en ReAct-agent i VisualWebArena förbättras uppgifternas genomförandegrad med omkring 20 procentenheter jämfört med de tidigare bästa resultaten.

## Fakta

- SGV förbättrar förmågan att upptäcka misslyckanden med upp till 25 procentenheter
- Genomförandegraden för uppgifter ökar med cirka 20 procentenheter i OSWorld, RoboMimic och VisualWebArena

## Varför det spelar roll

Bättre verifiering hjälper AI-agenter att undvika falsk säkerhet, vilket gör dem mer tillförlitliga för användare av verktyg för visuell webb och robotik.

## Källor och referenser

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

Senast uppdaterad: 2026-11-13