arXiv · 机器人与计算机视觉· Xiaoqian Shen, Yunyang Xiong, Changsheng Zhao, Saksham Suri, Chong Zhou, Zechun Liu, Zhipeng Cai, Zhuang Liu, Qi Qian, Wei Wen, Hongyu Xu, Hanxian Huang, Ernie Chang, Yanbei Chen, Vikas Chandra, Raghuraman Krishnamoorthi, Mohamed Elhoseiny, Lemeng Wu·· 14 小时前AI 评分73
AVTR:通过视觉想象进行自适应多模态推理
AVTR: Adaptive Multimodal Reasoning with Visual Imagination
AI 导读
该论文针对现有视觉语言模型过度依赖文本推理的局限,提出了 AVTR 方法,将视觉想象引入作为互补推理模态,使模型能通过生成式视觉反思重访观察并提炼关键证据。研究构建了学习路由机制以根据输入需求自适应选择视觉或文本推理路径。实验显示该方法在 16 项基准测试中平均得分较 Qwen3.5 基线提升 4.5 分,同时降低 33% 的推理延迟,且在小规模骨干网络上表现优异。
来源:arXiv · 机器人与计算机视觉 · arxiv.org