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
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的REChart框架提高了LLM图表编辑效率
研究人员开发了REChart，一个新颖的两阶段训练框架，旨在提高大型推理模型（LRMs）在图表编辑任务中的性能和效率。该框架解决了LRMs中“过度思考”的问题，即过度的推理可能导致错误或冗余循环。REChart为监督微调合成推理轨迹，然后使用强化学习优化模型，并对编辑保真度和推理效率进行奖励。该方法在图表编辑基准测试中展示了最先进的性能，同时显著减少了推理代币的使用。
-
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。