研究人员推出了一种新颖的自预言解码框架 SeProD，旨在增强大型视觉语言模型 (LVLM) 的视觉搜索能力。该框架通过在预训练模型和后训练模型之间引入自调节机制，解决了训练后能力下降和长推理上下文中的干扰等挑战。SeProD 利用基于概率的预言采样，使预训练模型能够充当“预言家”，指导后训练模型的 token 接受，从而在不增加额外计算成本的情况下保持连贯的多步推理。 AI
影响 SeProD 提供了一种无需训练、即插即用的解决方案，可提升 LVLM 的视觉搜索和多步推理能力。
排序理由 该集群包含一篇详细介绍 LVLM 新框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.28741v1 Announce Type: new Abstract: Large Vision-Language Models (LVLMs) are rapidly evolving toward true multimodal reasoning, with visual search representing a concrete instantiation of the thinking-with-images paradigm. However, LVLM visual search faces two key cha…
Large Vision-Language Models (LVLMs) are rapidly evolving toward true multimodal reasoning, with visual search representing a concrete instantiation of the thinking-with-images paradigm. However, LVLM visual search faces two key challenges: incompatibility among intrinsic capabil…