#视觉推理

视觉推理 RL 训练里错误定位一直很难，这篇论文的 VAG 用证据对比来过滤教师修正，在 6 个基准上超过了 GRPO，做训练的可以看看。

Elorian 出了个视觉推理模型 Glimpse，专治模型看动态画面就翻车的问题，Jeff Dean 都转发了，可以试试。

官方账号Jeff Dean@JeffDean原文

Elorian 做了个叫 Glimpse 的视频理解模型，看视频时会回放、裁剪、抽帧，甚至跑代码对比画面变化。

rohanpaul_ai@rohanpaul_ai原文

GenVerOpt让机器像人类一样进行视觉推理，在多个领域超越现有系统，解决了AI长期面临的非语言推理难题。

一篇挺有意思的论文：给扩散模型外挂一个小推理网络，10M 参数就把最难 Sudoku 从 4.1% 拉到 71.2%，不用符号监督。

VISTA让Claude Opus在视觉游戏中表现超越人类，动作减少57.4%，多模态推理能力有突破。

这个新基准测试了AI在3D世界中寻找异常的能力，结果显示当前模型表现远不如人。

OPD-V把模态平衡当特权信息，用正负教师挑token做自蒸馏，在6个基准、4种骨干上更省训练费还更准。

TraceViT在ARC上刷到67.8%，思路是让每步推理都有中间状态监督，代码还会开源，想搞视觉推理的可以盯一下。

这篇论文用新数据集CSB系统地测了十年间视觉语言模型的进化，发现最新模型在复杂社交场景上已经跟人类顶级描述差不多准了，只有空间依赖错误还没完全解决。

这篇论文用TriViewBench测了18个多模态模型，发现它们都在多视图推理上崩得厉害，CoT也救不了。想了解当前MLLM的结构推理极限，可以看看。

这篇论文系统测了多模态思维链到底行不行，发现它在视觉定位上帮倒忙，但对数学推理很管用，还揭示了视觉瓶颈。做多模态的值得看。

ARC是AGI的关键测试，L-VARC用语言引导视觉推理，18M参数就能超越SOTA，做视觉推理或小模型研究的开发者值得一试。

做机器人或自动驾驶的团队终于有了一个全开源的物理世界模型——Cosmos 3 原生支持视觉推理和动作生成，32B 和 8B 两个版本覆盖不同算力场景，值得直接上手试试。

官方账号NVIDIA AI@NVIDIAAI原文

VAGEN解决了VLM智能体在复杂环境中缺乏内部世界模型的问题，做机器人或自动驾驶研究的团队值得关注，它可能让AI的决策更接近人类推理。

Stanford AI Lab@StanfordAILab原文