我關心的問題
多模態模型在基準測試上越來越強，但放到真實世界時，例如光線不足、畫面模糊、資料分布偏移，或是遇到刻意設計的攻擊，它們的「看見」和「推理」常常一起崩壞，而且不會告訴你。
我想研究的是：模型在什麼條件下還值得信任，以及我們能不能拿出證據證明這一點。
三個方向
1. 可信的多模態評估。 設計能區分「真的看懂」與「剛好猜對」的評估方式，特別是幻覺、穩健性，以及在困難條件下的失效模式。
2. 困難條件下的視覺。 從低光影像增強（LumiGrid）出發，研究感知品質如何影響下游的理解與推理：影像「修好了」，不代表模型就更可靠。
3. 以證據為先的研究工具。 讓 AI 協助研究，但不替結論背書。例如 NoveltyAudit 會記錄「搜尋沒能證明的部分」，Taiwan Exam 讓程式只負責檢查、不負責宣稱品質。
我的做事方式
每個結論都附上能檢查它的東西：保留測試集、消融實驗、可重現的程式碼。對自己不利的發現也照實寫出來，例如 LumiGrid 其實幾乎沒有用到亮度分層。
正在做的事
準備 CVPR、ICCV、COLM 2027 的投稿（VLM 與 DiT 相關）。如果你對上述問題有興趣，歡迎寫信討論。