HarborEval

新的FBA方法增强了遥感大语言模型在专业任务上的能力

研究人员开发了一种名为填补后推进（FBA）的新型后训练方法，以提高遥感多模态大语言模型（RS-MLLMs）在专业场景下的性能。FBA通过在进行场景专业化之前先填补先决能力差距，来解决高质量数据稀缺的挑战。当应用于海岸港口理解时，FBA显著提升了在HarborEval基准测试上的性能，LLaVA-v1.5的分数从57.95提升到70.29，Qwen3-VL的分数从81.09提升到83.37，优于其他方法。