본 논문은 다중 모달 대규모 언어 모델(MLLM)이 특히 시각적 질문 응답(VQA)과 같은 작업에서 관련 신호와 무관 신호를 구분하는 데 어려움을 겪는다는 문제점, 즉 교차 모달 역량 문제를 제기합니다. 이는 특정 모달리티에만 의존해야 하는 이미지 분류 또는 순수 텍스트 질문 응답과 같은 작업에서 더욱 두드러지게 나타나며, 이러한 현상을 모달리티 간섭이라 정의합니다. 논문에서는 모달리티 간섭을 정량적으로 측정하는 섭동 기반 인과 진단 실험을 설계하고, 이를 완화하기 위해 섭동 기반 데이터 증강(휴리스틱 및 PGD 기반 적대적 섭동 포함)과 일관성 정규화 전략을 활용하는 MLLM 미세 조정 프레임워크를 제안합니다. 다양한 벤치마크 데이터셋(이미지 중심, 텍스트 중심, VQA 작업)과 여러 모델에 대한 실험을 통해 제안된 방법의 효과를 검증합니다.
