연구진은 디퓨전 MLLM의 추론 성능을 높이는 ST-Veto라는 새로운 방법을 제안했어요. ST-Veto는 각 디퓨전 단계에서 토큰 위치를 모두 관찰하며, 불확실한 토큰과 이미지 기반 근거가 약한 토큰을 제거하는 방식이에요.
Taylor 예측과 이미지 어텐션 질량을 활용해 토큰의 안정성과 근거를 평가하고, 더 안전한 후보로 대체하여 정확도를 최대 9% 향상시켰어요.
ST-Veto는 추가 훈련이나 생성 비용 없이도 기존 VLM 추론 방식보다 우수한 성능을 보이며, 더 높은 신뢰도와 더 나은 근거를 가진 경로로 추론을 유도해요.