PulseAugur
中
实时 10:12:25
English(EN) DeepVoyager-VL: Incentivizing Vision-in-the-Loop Search for Long-Horizon Multimodal Agents

DeepVoyager-VL 通过视觉循环推理增强多模态搜索

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出 DeepVoyager-VL，一个旨在增强长时域多模态深度搜索的新框架。该系统通过将视觉集成到中间推理过程（而非仅在输入或输出阶段）来解决当前多模态大语言模型（MLLMs）的局限性。DeepVoyager-VL 构建了一个多模态事件图，以合成具有视觉依赖性和长推理链的数据，并采用智能体框架进行主动视觉获取和按需图像加载。该框架在合成数据上进行了微调，无需强化学习，并在十个多模态搜索基准测试中证明了其有效性。 AI

影响 通过将视觉集成到中间推理中，增强了多模态搜索能力，有可能改善 AI 智能体的开放世界问题解决能力。

排序理由 该集群包含一篇详细介绍多模态搜索新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

DeepVoyager-VL 通过视觉循环推理增强多模态搜索

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Huanyao Zhang, Jiepeng Zhou, Runhao Zhao, Yanzhe Shan, Jiaoyang Chen, Bowen Zhou, Bo Li, Fang Wang, Jialong Wu, Zhengwei Tao, Lang Mei, Xiaohan Yu, Liyan Liu, Chong Chen, Wentao Zhang ·

    DeepVoyager-VL: Incentivizing Vision-in-the-Loop Search for Long-Horizon Multimodal Agents

    arXiv:2608.01827v1 Announce Type: new Abstract: Multimodal large language models (MLLMs) have advanced visual understanding and reasoning, yet their static parametric knowledge limits their ability to address knowledge-intensive and dynamically evolving open-world problems. To mo…

相关实体

相关话题