Semantic Flip：为具身问答与空间定位的鲁棒拒答生成合成 OOD 样本
[Daily Paper] Semantic Flip: Synthetic OOD Generation for Robust Refusal in Embodied Question Answering and Spatial Localization
AI 导读
研究者提出 Semantic Flip 框架，通过合成分布外（OOD）样本训练视觉语言模型的鲁棒拒答能力，用于具身问答与空间定位任务。框架用 Q-FLIP 改写查询文本、V-FLIP 通过 Parse→Detect→Inpaint 流程擦除视频记忆中的视觉证据来生成不可回答样本，并在冻结的 Qwen2.5-VL-7B 编码器上训练轻量 MLP 拒答门控。在 ABSTAINEQA 上，7B 门控取得 0.7110 的 F1，高于 32B 提示基线 Qwen2.5-VL-32B-AWQ 的 0.6746；新基准 SPACEREJECT 上 F1 为 0.9559。研究还发现朴素 CoT 会让 OOD 召回率从 0.95 降到 0.20，并指出 C2 循环内工具配置效果最好，门控在 RTX 5000 Ada 上每查询约增加 3.43s，但作为提前退出机制带来约 1.4x 加速。