Qwen3-VL 加 DeCoDe 在新视觉测试上升至 89.2%
HildeKuehne · x · 2026-07-29
Qwen3-VL 在多组新奇数据集上借助 DeCoDe 大幅提升
这条内容展示了一个视觉语言模型研究结果：作者在 6 个标准数据集 和 6 个新整理的 novel benchmarks 上做了评测，任务包括瑜伽动作、LEGO 积木、工业零件、埃及象形文字、昆虫和阿拉伯手语等。
在加入 domain information 后，Qwen3-VL + DeCoDe 的表现从 27.8% 提升到 89.2%，并且作者声称优于 SFT。
这说明当视觉语言模型面对陌生或强领域特定类别时，带领域信息的分解式提示/推理策略可能非常关键。
「研究」频道最新
- Goodfire 创始人挑战叠加假说：InceptionV1 多语义性或另有成因 — petrusenko_max · 2026-10-16
- UPenn 实验：让 Claude 批判自己默认想法,研究灵感产出提升最多 — arjunrajlab · 2026-10-16
- 实测 11 种提示策略催 LLM 创意：直接要「非显而易见」的点子最有效 — arjunrajlab · 2026-10-16
- 研究者长期实验：什么样的提示词能让 LLM 产出最有意思的点子？ — arjunrajlab · 2026-10-16
- SimpleMark 论文:多比特文本水印可将每 token 失真限制在预算内 — rishabh16_ · 2026-10-16
- 斯坦福新论文:生成式表征学习做 tokenizer,省 7-8 倍训练算力 — HirokatuKataoka · 2026-10-16