研究人员推出了一种新颖的数值视觉思维链(NV-CoT)框架,该框架使多模态大语言模型(MLLMs)能够使用连续数值坐标对图像进行区域基础推理。该方法将模型的动作空间从离散的token扩展到连续的欧几里得空间,只需极少的架构更改即可直接生成边界框坐标。NV-CoT支持监督微调和强化学习,利用高斯或拉普拉斯策略以及重参数化采样进行策略优化。实验表明,与现有的视觉推理基线相比,NV-CoT显著提高了定位精度、最终答案准确性和训练收敛性。 AI
影响 该框架可以提高多模态AI系统中视觉推理的精度和效率。
排序理由 该集群包含一篇详细介绍多模态LLM新方法的论文。[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 →