跳到正文
arXiv · 机器人与计算机视觉· Rohit Gandikota, Arnab Sen Sharma, Adam Belfki, David Bau·· 2 天前AI 评分69

VLM 如何规划下一步:基于 Qwen3-VL 的视觉检索任务因果分析

How VLMs Plan What's Next

AI 导读

该论文研究了视觉语言模型(VLM)在描述图像时决定观察顺序的内部规划机制,将其分解为绑定头、进度信号生成、选择步骤和注视头四个部分。研究通过在 Qwen3-VL 模型上进行合成视觉检索任务的因果修补验证了各组件的有效性,并证实该机制在不同输入格式、自然照片及语言中均成立,且存在于从 2B 到 32B 的所有模型规模中。

来源:arXiv · 机器人与计算机视觉 · arxiv.org