研究人员推出了一种新颖的框架 MCR-GRPO，旨在提高多模态大语言模型（MLLMs）在结构化视觉感知任务上的性能。该新方法通过在单个框级别分配功劳，而不是将单一优势广播到整个响应，来解决现有强化学习方法中的粒度不匹配问题。MCR-GRPO 通过测量移除一个框时整体匹配集值的变化来估计每个预测框的贡献，从而实现更精确的优化，用于对象定位和分割等任务。在包括 REC、DOD、分割和计数等基准测试上的实验表明，与之前的 GRPO 方法相比，该方法取得了最先进的结果。 AI
影响 该框架有望提高多模态人工智能系统中更准确、更细粒度的视觉理解能力，从而提升复杂感知任务的性能。
排序理由 该集群包含一篇研究论文，详细介绍了一种提高 MLLMs 在视觉感知任务上性能的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
