V*Bench
PulseAugur coverage of V*Bench — every cluster mentioning V*Bench across labs, papers, and developer communities, ranked by signal.
3 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…
-
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。
-
ActiveScope框架通过纠正错误来增强MLLM的感知能力
研究人员推出了一种名为ActiveScope的新型无训练框架，旨在提高多模态大语言模型（MLLM）的感知能力。该框架通过解决上下文主导和语义偏差等问题来应对高分辨率图像理解中的局限性，这些问题常常误导MLLM并导致多个物体定位不准确。ActiveScope采用两个关键模块：语义锚点定位（SAL）独立精确定位目标并减轻语义偏差，以及干扰抑制细化（ISR）抑制干扰元素并克服上下文主导。实验表明，ActiveScope的性能显著优于现有方法…
-
HiDe框架提升MLLM在高分辨率图像上的性能
研究人员开发了一个名为HiDe的新型免训练框架，以提高多模态大语言模型（MLLM）在高分辨率图像上的性能。HiDe将背景干扰而非物体大小视为性能下降的主要原因。该框架使用Token-wise Attention Decoupling (TAD) 和 Layout-Preserving Decoupling (LPD) 来分离关键视觉信息并消除分散注意力的背景元素。这种方法在V*Bench、HRBench4K和HRBench8K等基准测…
-
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。