Meta AVTR:视觉想象路由机制提分4.5、延迟降33%
meta · hf · 2026-11-19
Meta AI、KAUST 与 Princeton 联合提出 AVTR(Adaptive Visual-Textual Reasoning),针对 VLM 过度依赖文本推理的两大缺陷:视觉中心问题感知不足、统一文本推理造成冗余.trace。
- 引入「视觉想象」作为文本推理的补充模态,通过生成式视觉反思 revisual 关键证据
- 把推理模态选择建模为可学习的路由问题,单策略按输入自适应分配视觉反思与文本推理
- 在 16 个 benchmark 上平均比 Qwen3.5 基线提升 4.5 分,推理延迟降低 33%
- 方法可迁移到更小的 backbone,超过被评测的 2B 级基线
「多模态」频道最新
- 多名 Google 员工齐发「Gemini」暗示新模型即将发布 — haider1 · 2026-11-19
- MOSS-Image 发布 4 步蒸馏 LoRA,eDMD+LADD 出高细节图像 — TimeTruth2490 · 2026-11-19
- 开发者发布 MOSS 4 步蒸馏 LoRA,GPU 耗时约为教师模型 1/14 — TimeTruth2490 · 2026-11-19
- Midjourney Niji v8 即将发布,官方指南曝光首批样张 — LeelooAI_fr · 2026-11-19
- 抽象运动摄影提示词分享:慢门拖影拍出运动员剪影大片 — azed_ai · 2026-11-19
- Video Genie 开启私密测试:分子级验证的科学视频生成工具 — realmeetjames · 2026-11-19