비전-언어 시스템은 이미지와 검색된 텍스트를 결합하지만 두 소스가 서로 불일치하거나 함께 답을 뒷받침하지 못할 수 있어, 신뢰할 수 있는 모델은 믿을 만한 소스를 식별하고 둘 다 부적절할 때는 답을 보류해야 한다. 이 논문은 기존 사후학습 목적함수가 사례를 독립적으로 채점해 반사실적 증거 변화에서 일관된 행동을 강제하지 못한다는 문제를 지적하며, 정렬·이미지만 정답·텍스트만 정답·둘 다 오답(A/V/T/N)인 매칭된 변형을 하나의 묶음으로 최적화하는 그룹 상대적 프레임워크 CARGO-VL을 제안했다. 조건별 정답성에 답변 불변성·소스 등가성·정답-보류 전환에 대한 전이 보상을 결합하고, 주-쌍대 제어기로 안전하지 않은 답변과 과도한 보류 사이 균형을 맞춘다. 4개 조건 충돌 학습 자원 XMC를 구축하고 CMC-Bench와 Modality-Bias에서 전이 성능을 평가한 결과, CARGO-VL은 여러 시드에서 포인트단위 베이스라인 대비 충돌 처리, 근거 없는 답변 회피, 모달리티 균형을 모두 개선했다.

• •이미지·텍스트 근거가 충돌할 때 신뢰 소스를 식별하고 답변을 보류하는 CARGO-VL 제안
• •A(정렬)/V(이미지 정답)/T(텍스트 정답)/N(둘 다 오답) 4가지 증거 상태를 하나의 묶음으로 그룹 최적화
• •답변 불변성·소스 등가성·정답-보류 전환에 대한 전이 보상을 조건별 정답성과 결합
• •주-쌍대 제어기로 안전하지 않은 답변과 과도한 보류 사이 균형 조절
• •4조건 충돌 학습자원 XMC 구축, CMC-Bench·Modality-Bias에서 포인트단위 베이스라인 대비 개선 확인