跳到正文
arXiv · 机器人与计算机视觉· Kaizhen Tan, Yang Feng, Heqing Du, Siru Tao, Xin Xu, Hanzhe Hong·· 2026-10-06AI 评分68

Teaching Vision-Language Models to Use the Scale They Are Given: Label-Free Equivariance Training for Metric Physical Reasoning

Teaching Vision-Language Models to Use the Scale They Are Given: Label-Free Equivariance Training for Metric Physical Reasoning

AI 导读

论文提出一种无需标注的等变性自蒸馏(EquiSD)训练方法,解决视觉语言模型在视频尺度推理中仅部分利用提示词参考的问题。该方法利用物理量缩放关系的精确性作为监督信号,通过投影预测并微调模型,使其能在未见过的尺度上接近精确关系。实验显示,该方法在合成视频和 QuantiPhy 基准测试中均提升了跨尺度的准确性,且无需真实世界标注或模拟器答案。

来源:arXiv · 机器人与计算机视觉 · arxiv.org