研究人员开发了一种新的方法来训练多模态大语言模型（MLLM），以提高它们处理图像中呈现的抽象关系知识的能力。该方法包括一个自动数据引擎，该引擎合成具有多模态关系知识的图像，并生成具有思维链推理的指令数据。提出的两阶段能力增强框架在包含64,000个样本的数据集上进行了测试，结果表明较小的模型在结构化和抽象推理任务上可以超越GPT-4o。 AI
影响 引入了一个新颖的训练框架和数据集，使较小的模型在特定推理任务上能够超越GPT-4o。
排序理由 这是一篇介绍用于多模态推理的新数据集和训练框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2510.21828v2 Announce Type: replace-cross Abstract: Understanding and reasoning with abstractive information from the visual modality presents significant challenges for current multi-modal large language models (MLLMs). Among the various forms of abstractive information, M…