MME-RealWorld-Lite
PulseAugur coverage of MME-RealWorld-Lite — every cluster mentioning MME-RealWorld-Lite across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的HART技术使大型多模态模型（LMM）能够在无标注的情况下对高分辨率图像进行推理
研究人员开发了一种名为HART（High-resolution Annotation-free Reasoning Technique，高分辨率无标注推理技术）的新技术，以改进大型多模态模型（LMM）处理高分辨率图像的方式。当前LMM在处理高分辨率图像生成的大量token时遇到困难，通常需要昂贵的人工标注来识别重要区域。HART采用闭环框架和一种称为AP-GRPO的策略优化方法，使LMM能够在没有外部监督的情况下自我验证关键区域。在多…
-
感知流网络和VGR增强LLM的视觉推理能力
研究人员开发了感知流网络（PFlowNet）以提高大型视觉语言模型（LVLMs）的视觉推理能力。PFlowNet将感知与推理分离，并使用变分强化学习来指导感知行为，旨在减少语言偏见和幻觉。该方法在V* Bench和MME-RealWorld-lite等基准测试中取得了最先进的成果。另一个相关模型VGR通过将语言推断基础化到检测到的图像区域中来增强多模态推理能力，在ChartQA等基准测试中显示出显著的改进，同时使用的图像令牌更少。
-
SIEVES 方法通过证据评分提升多模态大模型在视觉任务上的覆盖率
研究人员开发了 SIEVES，一种用于提高多模态大语言模型（MLLMs）在分布外场景下可靠性的新方法。SIEVES 通过学习估计推理模型提供的视觉证据质量来实现选择性预测。这种方法显著提高了模型覆盖率，在具有挑战性的基准测试中最高可提高三倍。值得注意的是，SIEVES 可以应用于 Gemini-3-Pro 等专有模型，而无需访问其内部权重或 logits。
-
新研究探索稀疏注意力和多模态推理，以实现更快、更准确的人工智能
研究人员开发了增强人工智能模型推理能力的新方法，重点关注效率和准确性。其中一种方法 LessIsMore 引入了一种无需训练的稀疏注意力机制，该机制在显著降低计算开销的同时保持了推理质量。另一项开发“思考像素”（The Thinking Pixel）将递归稀疏推理集成到多模态扩散模型中，通过迭代细化视觉标记来改进文本到图像的生成。此外，一种“视觉增强深度缩放”（Visual Enhanced Depth Scaling）技术通过自适应…