SCICON：消除科学图表多选题中的选择偏差

科学图表理解是多模态AI领域的挑战，多选题选项本身的先验引导易导致模型忽略图像证据产生偏差。研究团队提出SCICON解码方法，通过对比图像条件与非图像条件下的模型输出，消除选择诱导偏差，提升科学图表问答准确性。

选择诱导偏差指模型过度依赖多选题选项的语义信息（如科学术语），而非基于图像内容判断，出现"不看图蒙对"现象。在科学领域，此偏差会导致模型忽略图表中的精确量化信息或细微结构，产生错误答案。

SCICON是无需额外训练的解码方法，核心思想为：用图像条件下的答案得分减去纯文本条件下的得分，分离文本先验与视觉证据贡献。与现有对比解码方法不同，SCICON直接对比有无图像条件，而非扰动输入。

在三个科学图表问答基准测试（含统计图表、显微镜图像等）及三种模型架构上，SCICON稳定提升准确性；不依赖特定模型架构，具有普适性；推理时需两次前向传播（约两倍开销），但在高准确性需求场景可接受。

SCICON揭示多模态任务中模态信息冲突问题；展示"无训练"优化思路（推理阶段通过解码策略提升性能）；强调任务特定优化的重要性，针对多选题结构设计的策略能挖掘更大性能潜力。

应用场景：科学教育（智能辅导系统）、科研辅助（文献阅读助手）。局限性：仅适用于多选题场景，对开放式问答/生成任务不直接适用；两次前向传播的计算开销可能影响实时响应场景。