跳到正文
arXiv · 机器人与计算机视觉· Albert Gao, Bing Xue, Andrea Zanette·· 2026-10-09精选AI 评分85

SLVR:基于类人推理流的结构化潜变量视觉推理

SLVR: Structured Latent Visual Reasoning via Human-like Reasoning Flows

AI 导读

论文提出 SLVR 框架,旨在解决多模态大模型过度依赖语言先验的问题。该方法将显式思维链与潜变量推理结合,通过掩码答案文本并对比视觉干扰项进行训练,随后对规划、定位、证据选择和整合四个阶段分别施加监督信号。基于 Qwen2.5-VL-7B 的 SLVR 在 MMVP 和 BLINK Relation 等基准上取得显著提升,证明了结构化潜变量监督能在避免推理开销的同时增强细粒度视觉推理能力。

推荐理由

提出 SLVR 框架,通过结构化潜变量监督实现规划、定位与证据选择分离,在 Qwen2.5-VL-7B 上提升多模态推理基准表现。

来源:arXiv · 机器人与计算机视觉 · arxiv.org