AdaTooler-V

AdaTooler-V 研究改进了多模态大语言模型自适应视觉工具的使用

研究人员推出 AdaTooler-V，这是一种多模态大语言模型，旨在提高视觉推理任务的效率。与之前有时会不必要地调用视觉工具的模型不同，AdaTooler-V 能自适应地确定何时使用工具是有益的。这是通过一种强化学习算法实现的，该算法根据调用工具的感知收益来调整奖励尺度，鼓励更明智地使用资源。该模型在多个基准测试中表现强劲，其 7B 参数版本在 V* 基准测试上的准确性高于 GPT-4o 和 Gemini 1.5 Pro。