两篇新研究论文探讨了增强视觉语言模型（VLMs）视觉推理能力的方法。第一篇论文“Focusing by Contrastive Attention”介绍了一种名为CARVE的无需训练的技术，该技术利用注意力模式提取任务相关的视觉信号，性能提升高达75%。第二篇论文“Thinking with Gaze”提出使用连续的眼动追踪数据作为监督信号，通过训练模型模仿人类获取证据的模式来指导VLMs的推理，特别是在医疗应用领域。 AI
影响 这些研究论文引入了新颖的技术来提高VLMs的视觉推理能力，有望在复杂的视觉环境和医学影像等专业领域带来更准确、更鲁棒的AI系统。
排序理由 两篇发表在arXiv上的学术论文，提出了改进视觉语言模型的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2509.06461v3 Announce Type: replace-cross Abstract: Vision-Language Models (VLMs) have demonstrated remarkable success across diverse visual tasks, yet their performance degrades in complex visual environments. While existing enhancement approaches require additional traini…
arXiv:2603.06697v2 Announce Type: replace-cross Abstract: Vision--language models (VLMs) process images as visual tokens, yet their intermediate reasoning is often carried out in text, which can be suboptimal for visually grounded radiology tasks. Radiologists instead diagnose vi…