arXiv · 机器人与计算机视觉· Qi Zhang, Bohan Wang, Qianru Sun, Hanwang Zhang·· 6 天前AI 评分75
多模态训练中涌现的视觉塑造思维:纯文本推理中的因果机制与空间表征分析
Emergent Vision-Shaped Thinking in Text-Only Reasoning through Multimodal Training
AI 导读
该研究通过跨 6 个模型家族的 10 种多模态配置进行因果消融,对比了邀请心理场景构建的空间意象任务与仅靠符号规则可解的符号操作任务。在 Chameleon-7B 中,消融视觉语言轴投影导致 BIG-Bench Hard 导航任务准确率下降 27.6 个百分点,而布尔表达式保持完整并提升 5.6 个百分点,形成 33.2 个百分点的双离解效应。
来源:arXiv · 机器人与计算机视觉 · arxiv.org