研究人员开发了一种名为RECAP的新训练方法,通过解决时间对齐失败问题来改进视觉-语言模型(VLMs)。该方法增强了模型在多步推理过程中利用图像证据的能力。RECAP通过使用重访条件优势估计等技术,在无需额外奖励或推理时间更改的情况下,将奖励传播到视觉关键的推理步骤中。在多个VLM骨干网络上,RECAP在HallusionBench等基准测试中展示了持续的性能提升,增强了图像基础推理能力。 AI
影响 增强了VLMs的图像基础推理能力,可能提高了它们解释和处理视觉信息的能力。
排序理由 该集群包含一篇详细介绍视觉-语言模型新训练方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- GRPO
- HallusionBench
- Hugging Face
- InternVL3-8B
- LLaVA-OV-7B
- Qwen2.5-VL-7B
- RECAP
- vision-language models
- VPPO
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →