#视觉问答

做 VLM 推理优化的开发者可以看看这篇。它不训模型，靠按问题选裁剪还是压缩来省算力，FLOPs 省三成多、精度只掉不到 1%，RTX 3090 就能复现，比单纯砍视觉 token 上限更细。

这篇讲FISA，拿模型答错的题来造新训练图，比瞎做增强更准，还能和文本增强一起用。

这篇论文解决了神经符号推理中不可微的离散接口问题，SoftReason让感知和演绎合为一体，KVQA上效果提升明显，搞推理和视觉问答的值得看。

CVPR 2026 竞赛推出了 AUTOPILOT-VQA 基准，专门测试 AI 模型对行车记录仪事故视频的推理能力，比普通视觉问答更难更贴近安全。

该数据集为训练AI进行符合临床指南的多步推理提供了标准化基准，对医学影像AI从感知向认知升级有重要价值。