arXiv 论文:多模态训练让纯文本推理产生"视觉式思维"
这篇论文做了很扎实的消融实验:在 Chameleon-7B 上关掉视觉-语言轴,纯文本空间推理直接掉了 27.6 个点。结论对做模型可解释性或评估的人很有用——探针能看到不等于模型真的在用,得做因果干预才能下结论。
这篇论文做了很扎实的消融实验:在 Chameleon-7B 上关掉视觉-语言轴,纯文本空间推理直接掉了 27.6 个点。结论对做模型可解释性或评估的人很有用——探针能看到不等于模型真的在用,得做因果干预才能下结论。
一篇解决图像生成不会"思考"的论文,LARC 把推理搬进连续隐空间,GenEval 上比 BAGEL 高 7 个点,还能测试时扩展。
一个测多视角空间生成的新基准,11 个模型都考砸了,微调 BAGEL 能涨 24 分,做空间生成方向可以看看。
一篇训练方法论文:让统一模型自己看图、自己改图,用整条轨迹的 RL 训练,GenEval 比 SFT 高了 12 分,推理时还不用 verifier。