Розгортання багатомодальних моделей у відповідальних сферах, таких як безпілотні автомобілі та медична діагностика, вимагає не лише високої прогностичної продуктивності, але й надійних механізмів виявлення збоїв. У цій роботі ми розглядаємо значною мірою недосліджену проблему виявлення збоїв у багатомодальних контекстах. Ми пропонуємо адаптивну регуляризацію впевненості (ACR), новий фреймворк, спеціально розроблений для виявлення багатомодальних збоїв. Наш підхід базується на ключовому спостереженні: у більшості випадків збоїв, впевненість у багатомодальному прогнозуванні повинна бути вищою, коли всі модальності узгоджуються, і нижчою, коли вони не узгоджуються. ACR явно моделює цю невідповідність, вивчаючи оцінку впевненості, яка регуляризує багатомодальне прогнозування. Наші експерименти демонструють, що ACR значно покращує продуктивність виявлення збоїв у різних багатомодальних завданнях та наборах даних, особливо у складних реальних сценаріях із зашумленими та неповними даними.