arXiv 新增 + NeurIPS 2025 MI workshop + CLIP interpretability · P2 · 2026-06-20

Multimodal Concept Bottleneck Models：它和通用视觉自监督的关系在于：把图像和文本 embedding 映射到可解释概念瓶颈，适合评估 CLIP/VLM 表征是否可解释

中高相关；详见方法、贡献和实验边界。

Multimodal Concept Bottleneck Models　arXiv 新增 + NeurIPS 2025 MI workshop + CLIP interpretability　原文链接

编号2606.19882 优先级P2 类别arXiv 新增 + NeurIPS 2025 MI workshop + CLIP interpretability 会议arXiv 新增 + NeurIPS 2025 MI workshop + CLIP interpretability 方法把图像和文本 embedding 映射到可解释概念瓶颈，适合评估 CLIP/VLM 表征是否可解释来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把图像和文本 embedding 映射到可解释概念瓶颈，适合评估 CLIP/VLM 表征是否可解释。中高相关；详见方法、贡献和实验边界。

**B.Train Dual (text &image) Concept Botleneck Layers gi & gT using D' Figure 2: Overview of**B.Train Dual (text &image) Concept Botleneck Layers gi & gT using D' Figure 2: Overview of MM-CBM. A. Extracting high-quality concept annotations for each modality. B. Using an auxiliary dataset to train dual CBLs, jointly optimizing interpretability alignment and task performance.这张图概括 Multimodal Concept Bottleneck Models 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figure A.4: A sample of correcting model prediction by setting the common concept to the s**Figure A.4: A sample of correcting model prediction by setting the common concept to the same value这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Multimodal Concept Bottleneck Models 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把图像和文本 embedding 映射到可解释概念瓶颈，适合评估 CLIP/VLM 表征是否可解释。

方法拆解

把图像和文本 embedding 映射到可解释概念瓶颈，适合评估 CLIP/VLM 表征是否可解释

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。