शोधकर्ता Grounded Context Preference Optimization (Groc-PO) का प्रस्ताव करते हैं, एक फ्रेमवर्क जिसे बहुआयामी बड़े भाषा मॉडलों (MLLMs) में दृश्य भ्रम और सामग्री निर्माण जैसे असत्य की समस्याओं को हल करने के लिए डिज़ाइन किया गया है। विधि क्रेडिट-असाइनमेंट चुनौती को संभालती है जहाँ मानक Direct Preference Optimization (DPO) शुरुआती आधारित चरणों से त्रुटि प्रसार को दबाने में विफल रहता है क्योंकि यह केवल अंतिम उत्तर पर निगरानी लागू करता है।
- Groc-PO केवल अंतिम आउटपुट के बजाय कई आधारित चरणों में स्पष्ट प्राथमिकता निगरानी पेश करता है।
- लेखकों ने Object Grounding, Contextual Grounding और Grounded Reasoning को कवर करने वाले बहु-चयन नमूनों के साथ Grounded Context Preference Dataset (GCPD) बनाया है।
- यह दृष्टिकोण आधारित संदर्भ के गठन, एकीकरण और उपयोग को पकड़ने का लक्ष्य रखता है ताकि चरणों के बीच त्रुटि प्रसार को कम किया जा सके।
विस्तृत प्रयोग दर्शाते हैं कि मानक DPO और अन्य आधार रेखाओं की तुलना में Groc-PO भ्रम निवारण, विश्वसनीय तर्कशीलता और समग्र विश्वसनीयता में प्रदर्शन को बेहतर बनाता है।