跳到正文
arXiv · 机器人与计算机视觉· Xinrui Shi, Kai Liu, Ziqing Zhang, Jianze Li, Anqi Li, Yulun Zhang·· 17 天前AI 评分67

DRScaffold:提升轻量级视觉语言模型在密集场景中的推理能力

DRScaffold: Boosting Dense-Scene Reasoning in Lightweight Vision Language Models

AI 导读

论文指出轻量级视觉语言模型在标准基准上表现尚可,但在需要多步推理的密集场景中常出现脱离视觉实体的流畅但无根据的推理链。为此,作者提出了包含 14,573 个问题的 DRBench 基准,并设计了 DRScaffold 监督微调框架,在不修改架构的情况下将监督目标分解为四个因果有序阶段以增强 grounded reasoning。

来源:arXiv · 机器人与计算机视觉 · arxiv.org