Aphanta

新框架Aphanta诊断图像编辑对多模态推理的影响

研究人员开发了Aphanta，一个旨在诊断图像编辑中间体在多模态推理任务中有效性的框架。该研究评估了直接推理、编辑器生成的中间体和理想化参考，以区分潜在的视觉改进与当前图像编辑器的实际效用。研究结果表明，这些中间体的有用性高度依赖于具体任务，收益集中在视觉线索注入和基础构建等领域，而需要精确符号操作或推断的任务则不太可靠。在一个测试的流程中，Qwen模型在使用这些中间体时，任务分数有了显著提高。