HR-Bench
PulseAugur coverage of HR-Bench — every cluster mentioning HR-Bench across labs, papers, and developer communities, ranked by signal.
-
LOCI框架通过解耦搜索和验证来提高VLM的视觉理解能力
研究人员推出了一种新颖的免训练框架LOCI，旨在增强视觉语言模型（VLM）的视觉理解能力。LOCI通过将视觉搜索与证据验证解耦，解决了VLM在图像中定位关键细节失败的问题。它采用独立的定位器（Locator）和批评家（Critic）代理，迭代地精炼视觉证据，从而在复杂的视觉基准测试中取得显著的性能提升。
-
LOCI框架通过定位器-批评家循环提升VLM的视觉理解能力
研究人员推出了一款名为LOCI的新型框架，旨在增强视觉语言模型（VLM）的视觉理解能力。LOCI通过采用一个双代理系统来解决VLM在图像中精确定位关键细节时常出现的失败问题：一个定位器（Locator）代理负责寻找相关的视觉证据，一个批评家（Critic）代理负责验证其相关性和充分性。这种迭代精炼循环使VLM能够改善其感知基础，并在复杂的视觉任务上取得更高的准确性。该框架在应用于Qwen3-VL和Gemini 2.5 Pro等模型时，…
-
新方法通过投机执行加速代理式LLM推理 · 跟踪2个来源
两篇研究论文介绍了通过采用投机执行来加速代理式大型语言模型（LLM）推理速度的新颖方法。第一篇论文SPORK利用LLM本身的轻量级探针来预测即将到来的工具调用，从而实现重叠执行并减少空闲时间。第二篇论文SpecEyes提出了一个类似的投机规划框架，使用一个较小的、无工具的MLLM来预测执行轨迹，从而在不损失准确性的情况下提前终止昂贵的工具链。这两种方法都旨在显著降低复杂代理式任务的延迟并提高吞吐量。
-
新框架提升大语言模型高分辨率图像感知能力
研究人员推出了一种名为分层实体探索（HEE）的新型框架，旨在增强多模态大语言模型（MLLMs）的高分辨率图像感知能力。与需要大量训练或依赖固定图像分割的现有方法不同，HEE无需训练且模型无关。它通过首先评估区域是否有足够证据，然后使用对象检测进行细粒度细节分析，并将这些信息组织成语义层次结构，来动态指导实体探索。该方法旨在通过置信度引导的回溯实现自适应感知，从而克服当前高分辨率图像处理中常见的细节丢失问题。