Hugging Face Daily Papers·· 2026-09-28AI 评分58
WM-VLM:探究内部世界模型对交错视觉 - 文本推理的作用
WM-VLM: Probing Internal World Models for Interleaved Visual-Textual Reasoning
AI 导读
该论文提出 WM-VLM,这是一种为预训练视觉语言模型(VLM)配备轻量级世界模型分支的新架构,旨在让模型通过生成中间视觉状态来解决空间问题。研究采用两阶段训练策略,首先教会模型生成下一视觉状态,随后利用该状态进行推理。
来源:Hugging Face Daily Papers · arxiv.org