研究人员开发了VisualEvolve,一个旨在增强视觉语言模型(VLM)视觉推理能力的新型框架。该框架允许VLM自主进化其视觉操作和工具使用策略,而无需直接更新模型参数。VisualEvolve采用选择--执行--进化--评估(Select--Execute--Evolve--Evaluate)循环,并结合技能库快照选择(Skill-Library Snapshot Selection)等技术来防止性能回归,以及渐进式证据访问(Progressive Evidence Access)来高效诊断能力差距。在多个VLM骨干模型和基准测试上的实验表明,性能显著提升,其中使用Qwen3.5-Plus模型在VisualProbe Hard任务上取得了15.1个百分点的提升。 AI
影响 增强VLM的推理能力,可能导致更复杂的AI代理能够处理复杂的视觉任务。
排序理由 该条目是一篇arXiv预印本,详细介绍了一个用于改进视觉语言模型的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
- Initial Skill Library
- Progressive Evidence Access
- Qwen3.5-Plus
- RL-based methods
- Select--Execute--Evolve--Evaluate
- Skill-Library Snapshot Selection
- vision-language model
- VisualEvolve
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →