跳到正文
arXiv · 机器人与计算机视觉· Zhaolu Kang, Tailong Luo, Chenxin Li, Yingjie He, Zhenyu Yu, Fengyu Zhou, Jiachen Qian, Lei Wei, Shuang Chen, Jiachen Li, Eric Hanchen Jiang, Rongchao Zhang, Zhengtao Yao, Hoi Leong Lee, Guansu Wang, Kaiyue Zhou·· 27 天前精选AI 评分85

RECAP:单次观看不足以支撑视觉语言推理

RECAP: Looking Once Is Not Enough for Vision-Language Reasoning

AI 导读

针对长思维链推理中模型偏离图像证据且强化学习仅提供最终奖励的问题,本文提出 RECAP 方法。该方法将视觉重访痕迹转化为信用分配信号,无需额外奖励或推理时改动,即可在 Qwen2.5-VL-7B、InternVL3-8B 和 LLaVA-OV-7B 等模型上提升图像 grounding 推理能力并保留文本性能。

推荐理由

提出 RECAP 方法,利用视觉重访信号优化 GRPO 训练,提升多模型在图像 grounding 上的推理准确率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org