Антропогенная региональная адаптация мультимодальной модели «зрение–язык»
Anthropogenic Regional Adaptation in Multimodal Vision-Language Model
April 13, 2026
Авторы: Samuel Cahyawijaya, Peerat Limkonchotiwat, Tack Hwa Wong, Hitesh Laxmichand Patel, Amit Agarwal, Manuel Antonio Rufino, Carlos Rafael Catalan, Muhammad Reza Qorib, Vicky Feliren, Holy Lovenia, Aye Hninn Khine, Frederikus Hudi, David Anugraha, Alham Fikri Aji, Romrawin Chumpu, Viet-Thanh Pham, Minghan Wang, Mohamed Fazli Imam, Ruochen Zhang, Joseph Marvin Imperial, Do Xuan Long, Musa Izzanardi Wijanarko, Joel Ruben Antony Moniz, Patrick Amadeus Irawan, Hanif Muhammad Zhafran, Isaiah Flores, Ira Salsabila, Jun Kevin, Jostin Jerico Rosal, Patricia Nicole Monderin, Kun Kerdthaisong, Ahmad Mustafid, My Chiffon Nguyen, Natchapon Jongwiriyanurak, Siva Worajitwannakul, Haochen Li, Adrian Xuan Wei Lim, Bin Wang, Muhammad Ravi Shulthan Habibi, Lynnette Hui Xian Ng, Mithil Bangera, Yeshil Bangera, Priyaranjan Pattnayak, Dun Li Chan, Sherissa Caren Djuniwar, Hee Ming Shan
cs.AI
Аннотация
Хотя область обработки визуально-языковой информации (VL) достигла значительных успехов в интеграции визуальной и текстовой информации для множества языков и доменов, до сих пор не существует специализированной системы для оценки антропоцентричной согласованности в VL-системах. Мы предлагаем два вклада для устранения этого пробела. Во-первых, мы представляем Антропогенную Региональную Адаптацию: новую парадигму, направленную на оптимизацию релевантности моделей для конкретных региональных контекстов при сохранении глобальных возможностей обобщения. Во-вторых, мы предлагаем простой, но эффективный метод адаптации под названием Географическое-обобщение-сделанное-просто (GG-EZ), который использует фильтрацию региональных данных и слияние моделей. В ходе всесторонних экспериментов на 3 VL-архитектурах: больших мультимодальных моделях, диффузионных моделях текст-изображение и моделях визуально-языкового embedding, а также на примере региональной адаптации в Юго-Восточной Азии (ЮВА), мы демонстрируем важность Антропогенной Региональной Адаптации и эффективность GG-EZ, показывая рост на 5-15% по метрикам культурной релевантности в ЮВА при сохранении более 98% глобальной производительности и даже периодическом её превышении. Наши результаты устанавливают Антропогенную Региональную Согласованность в качестве фундаментальной парадигмы для применимости мультимодальных VL-моделей в различных регионах и демонстрируют простой, но эффективный базовый метод, который оптимизирует региональную ценностную согласованность, сохраняя глобальную способность к обобщению.
English
While the field of vision-language (VL) has achieved remarkable success in integrating visual and textual information across multiple languages and domains, there is still no dedicated framework for assessing human-centric alignment in vision-language systems. We offer two contributions to address this gap. First, we introduce Anthropogenic Regional Adaptation: a novel paradigm that aims to optimize model relevance to specific regional contexts while ensuring the retention of global generalization capabilities. Second, we present a simple, but effective adaptation method named Geographical-generalization-made-easy (GG-EZ), which utilizes regional data filtering and model merging. Through comprehensive experiments on 3 VL architectures: large vision-language models, text-to-image diffusion models, and vision-language embedding models, and a case study in Southeast Asia (SEA) regional adaptation, we demonstrate the importance of Anthropogenic Regional Adaptation and the effectiveness of GG-EZ, showing 5-15% gains in cultural relevance metrics across SEA while maintaining over 98% of global performance and even occasionally surpassing it. Our findings establish Anthropogenic Regional Alignment as a foundational paradigm towards applicability of multimodal vision-language models in diverse regions and demonstrate a simple-yet-effective baseline method that optimizes regional value alignment while preserving global generalization.