实体
ChartMimic
ChartMimic
PulseAugur coverage of ChartMimic — every cluster mentioning ChartMimic across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的AI方法增强图表理解和编辑能力
研究人员开发了新的方法来改进多模态大型语言模型（MLLMs）理解和交互图表的方式。一种方法CharTool集成了外部工具进行视觉感知和基于代码的计算，增强了数值推理和接地能力。另一种方法REChart通过优化中间推理步骤和减轻模型的“过度思考”来专注于高效的图表编辑。这两种方法在图表相关基准测试中都显示出显著的改进，优于现有基线，并取得了与更大模型相媲美的结果。
-
新的监督方法改进图表到代码的AI模型
研究人员引入了一种名为“观测对齐监督”的新监督框架，以改进图表到代码的生成模型。该方法解决了模型在训练时使用假设目标完全可观测的参考绘图脚本的问题，而视觉数据（如图表）通常并非如此。新框架用图表中视觉信息直接约束的数量替换了潜在的原始数据目标，例如箱线图的汇总统计数据或饼图的比例。使用该框架在ChartMimic和ChartX等数据集上进行的实验表明，模型恢复可观测值的能力得到了一致的提高。
-
UniCoder框架通过符号奖励推进视觉到代码生成
研究人员开发了UniCoder，一个旨在通过解决当前多模态大型语言模型的局限性来改进视觉到代码生成的新型框架。该系统集成了符号属性对齐，它使用辅助LLM将代码解析为离散的视觉属性，以实现更精确的奖励计算，以及参考引导代码优化，它注入地面真实轨迹以增强策略改进。在多个基准测试上的实验表明，UniCoder（一个8B参数模型）取得了最先进的性能，在通用视觉到代码合成方面超越了开源基线并可与专有模型相媲美。