MMBench
PulseAugur coverage of MMBench — every cluster mentioning MMBench across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的ReVA模型通过区域感知AI增强视觉问答能力
研究人员开发了ReVA，一种新颖的区域感知视觉助手，旨在改进多模态大型语言模型（MLLMs）在视觉基础问答方面的能力。ReVA通过将整幅图像和区域级别的表示纳入其处理过程，解决了空间推理和细粒度视觉理解方面的局限性。该模型利用双桥将这些表示与LLM的嵌入空间对齐，采用了CLIP ViT-L/14 Vision Transformer和Qwen2.5-7B-Instruct LLM。通过整合来自RAM++和Grounding DINO等…
-
新的GAM-Agent框架通过博弈论提升LLM的视觉推理能力
研究人员开发了GAM-Agent，一个采用博弈论方法增强大型语言模型视觉推理能力的新框架。该系统将推理过程视为一个非零和博弈，其中专业代理进行协作，并有一个专门的代理确保逻辑一致性和事实准确性。该框架使用结构化通信，包括不确定性估计，并设有一个不确定性感知控制器，在出现分歧时启动多轮辩论，从而产生更鲁棒和可解释的结果。实验表明，GAM-Agent在MMMU和MMBench等基准测试中显著提升了性能，使小型模型性能提升高达6%，大型模型…
-
新的TGIF模块可减少多模态大语言模型的幻觉
研究人员开发了TGIF（文本引导的层间融合），这是一种旨在减少多模态大语言模型（MLLMs）幻觉的新型模块。与以往侧重于文本或静态视觉特征融合的方法不同，TGIF根据输入查询动态地融合来自视觉编码器不同层的视觉特征。这种方法无需更新视觉编码器，并且计算开销极小。当与LLaVA-1.5-7B集成时，TGIF在减少幻觉和提高OCR和VQA任务的性能方面表现出持续的改进，同时在ScienceQA和MMBench等其他基准测试上保持或提高了结果。
-
MAViE编码器将视觉语言模型效率提升80%
研究人员推出MAViE，一种多尺度自适应视觉编码器，旨在提高视觉语言模型的效率和有效性。MAViE利用位置依赖门控来整合来自视觉Transformer不同深度的特征，从而在保留全局语义的同时增强边缘和文本等局部细节的表示。该系统还采用问题条件令牌路由，根据图像复杂性和问题相关性来调整其令牌预算，显著减少处理的视觉令牌数量并提高推理速度。
-
新的SD-MAR框架提升了VLM在多图像上的分析推理能力
研究人员推出SD-MAR，一个旨在增强视觉语言模型（VLM）在多图像分析推理能力的新框架。该框架利用通过受控扰动生成的合成数据，为变化检测和定量比较等任务创建场景。通过采用一种名为GRPO-lite with Backward Discounted Allocation的强化学习方法，在SD-MAR上训练的模型在领域内准确性方面显示出显著的改进，其中Qwen2.5-VL-7B在基准测试中超越了GPT-4.1。至关重要的是，这些改进并未…