arXiv · 机器人与计算机视觉· Xinyi Guo, Kaile Huang, Xitong Ling, Mingyi He, Chende Zheng, Jianyu Xu, Chao He, Dongqing Song·· 14 小时前AI 评分68
Read Together, Answer Apart:早期问题如何帮助视觉语言模型看图
Read Together, Answer Apart: How Earlier Questions Help Vision-Language Models Look
AI 导读
针对同一图片多问一答(co-asking)导致准确率波动的问题,研究者在 22 个开源权重 VLMs 上发现,早期问题通过预填充阶段将视觉信息读入问题 token,有助于后续问题聚焦目标。为此提出 Read Together, Answer Apart 这一无需训练的解码掩码策略,在保持共享预填充的同时隔离各答案生成过程,显著提升了 DCI、WebUI 等基准上的共问准确率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org