arXiv · 机器人与计算机视觉· Zerui Chen, Changrui Chen, Fei Ni, Jiankang Deng·· 29 天前AI 评分58
Look Before You Reason:面向高效多模态推理的隐式视觉思考框架
Look Before You Reason: Implicit Visual Thinking for Efficient Multimodal Reasoning
AI 导读
针对现有基于图像的思考方法存在多轮交互冗余、计算开销大及区域检测与推理分离的问题,本文提出 LoRe 框架。该框架在单轮 VLM 交互中预测相关图像区域并强化 KV cache,使解码过程能直接利用选定的视觉线索而无需额外输入或显式工具调用;同时采用强化学习引导模型识别信息丰富的区域以辅助推理。
来源:arXiv · 机器人与计算机视觉 · arxiv.org