एक अध्ययन से पता चलता है कि CLAP जैसे ऑडियो-भाषा एम्बेडिंग मॉडल निषेध के साथ संघर्ष करते हैं, सकारात्मक और निषेधित कैप्शन को लगभग समान प्रतिनिधित्वों में मैप करते हैं। इस सीमा को उजागर करने के लिए, लेखकों ने NegEval-Audio पेश किया है, जो डेटासेट को Retrieval-Neg और Multiple-Choice Negation कार्यों में परिवर्तित करता है।
- निषेध के तहत AudioCaps और Clotho पर प्रदर्शन तेजी से गिरता है, जिसमें MCQ सटीकता संयोग से नीचे चली जाती है।
- हाल के मल्टीमोडल LLM-आधारित एम्बेडिंग मॉडल्स के लिए भी यह विफलता बनी रहती है।
- एक प्रशिक्षण-मुक्त स्टीयरिंग विधि MCQ-Neg को बेहतर बनाती है लेकिन Retrieval-Neg के लिए नगण्य लाभ देती है।
परिणाम संकेत करते हैं कि पुष्टि पक्षपात प्रतिनिधित्व ज्यामिति में एक मौलिक दोष है, जिसके लिए स्पष्ट निषेध-जागरूक प्रशिक्षण उद्देश्यों की आवश्यकता है।