MMBench
PulseAugur coverage of MMBench — every cluster mentioning MMBench across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
OpenBMB 发布 MiniCPM-V 4.7，一款可在 iPhone 上运行的 35B MoE 模型
OpenBMB 和 Face++ 发布了 MiniCPM-V 4.7，这是一款开源的多模态模型，可以在内存仅为 3GB 的移动设备上运行。该模型有两种版本：一个 35B 参数的混合专家（MoE）模型，每次推理激活 3B 参数；另一个是适用于极小型设备的 1.3B 参数模型。MiniCPM-V 4.7 在 MMBench、MMMU 和 OmniDocBench 等各种基准测试中表现出色，即使在承受显著的视觉压缩的情况下也是如此。该模型采…
-
新的VisTW基准测试VLM对繁体中文和台湾语境的理解能力
一个名为VisTW的新基准已被引入，用于评估视觉语言模型（VLM）在理解繁体中文文本和与台湾相关的文化语境方面的能力。与主要关注英语或简体中文的现有基准不同，VisTW包含来自学术考试的多项选择题以及关于台湾日常场景的开放式提示。该基准旨在揭示VLM在通用评估中可能被忽略的性能差距，强调了文化特定测试的重要性。
-
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…