跳到正文
arXiv · 机器人与计算机视觉· Chaoyu Li, Fei Tao, Pooyan Fazli·· 2026-10-15精选AI 评分80

CASHEW:通过迭代轨迹聚合稳定多模态推理

CASHEW: Stabilizing Multimodal Reasoning via Iterative Trajectory Aggregation

AI 导读

论文介绍 CASHEW 框架及变体 CASHEW-RL,旨在解决视觉语言模型在多步推理中表现不稳定的问题。该方法通过在推理时迭代聚合多个候选轨迹并引入视觉验证作为锚点来增强稳定性;CASHEW-RL 则通过组序列策略优化将聚合行为内化到单一模型中。实验显示,在 Qwen3-VL-4B 和 Qwen3-VL-8B 上分别实现了平均提升 4.1/5.3 个和 2.6/3.0 个百分点的准确率。

推荐理由

针对多模态推理不稳定的问题,提出通过迭代聚合候选轨迹来稳定输出的方法,并在 Qwen3-VL 系列模型上验证了显著的性能提升。

来源:arXiv · 机器人与计算机视觉 · arxiv.org