44 lines
1.3 KiB
Markdown
44 lines
1.3 KiB
Markdown
---
|
||
title: "充分上下文悖论 (Sufficient Context Paradox)"
|
||
created: 2026-05-21
|
||
type: concept
|
||
tags: ["lmm", "reasoning", "knowledge"]
|
||
sources: ["[[when-large-multimodal-models-confront-evolving-knowledge]]"]
|
||
---
|
||
|
||
# 充分上下文悖论 (Sufficient Context Paradox)
|
||
|
||
## 定义
|
||
|
||
充分上下文悖论是指：即使为 LMM 提供了**完整、准确回答所需的全部信息**（Sufficient Context），模型**仍然会产生错误答案**。
|
||
|
||
## MMEVOKE 上的证据
|
||
|
||
| 模型 | Sufficient Context CEM |
|
||
|------|----------------------|
|
||
| LLaVA-v1.5 | 56.78% |
|
||
| Qwen-VL-Chat | **48.96%** |
|
||
| Gemini-2.5-Pro | 72.15% |
|
||
| GPT-4.1 | 75.02% |
|
||
|
||
即使是最强大的 GPT-4.1，仍有约 25% 的问题在"答案已在上下文中"时答错。
|
||
|
||
## 根本原因
|
||
|
||
这一现象与直觉相悖——人们通常认为"提供足够信息就能得到正确答案"。实验表明，问题不在**检索能力**，而在**推理和利用能力**：
|
||
|
||
- LMM 无法有效**提取**上下文中的关键信息
|
||
- LMM 无法将上下文知识与视觉输入**对齐**
|
||
- LMM 缺乏对进化知识的**深层语义理解**
|
||
|
||
## 启示
|
||
|
||
1. 仅靠 RAG 不够——需要提升模型的**知识利用**能力
|
||
2. 知识注入应关注"理解"而非"记忆"
|
||
3. 这对实际 RAG 系统的设计有直接指导意义
|
||
|
||
## 参见
|
||
|
||
- [[multimodal-rag|多模态RAG]]
|
||
- [[knowledge-adaptation|知识适应]]
|