VisionFoundry

合成数据管道 VisionFoundry 提升 VLM 感知技能 · 已追踪 2 个来源

研究人员开发了 VisionFoundry，这是一个自动化管道，利用大型语言模型（LLM）和文本到图像模型来生成用于训练视觉语言模型（VLM）的合成视觉感知数据。这个名为 VisionFoundry-10k 的合成数据集在空间理解和视角识别等感知基准测试中，持续提高了 VLM 的性能，甚至优于在自然图像上训练的模型。该方法具有可扩展性和有效性，证明了合成监督可以显著增强 VLM 的能力。