跳到正文
arXiv · 机器人与计算机视觉· Junzhe Shi, Yuan Gan, Shida Jiang·· 2026-10-20AI 评分75

从看见到报告:视觉语言模型中可靠视觉集合生成的理论

From Seeing to Reporting: A Theory of Reliable Visual Set Generation in Vision-Language Models

AI 导读

该论文提出‘从看见到报告’(FSR)理论,将视觉报告视为任务核心而非单纯格式化输出。研究构建了从响应解码到记录构造的链式关系,指导计数、文档布局及 GUI 定位等任务。

来源:arXiv · 机器人与计算机视觉 · arxiv.org