Meta AVTR:让多模态模型学会「视觉想象」,16 基准平均提升 4.5 分

liuzhuang1234 · x · 2026-11-21

Meta 联合 KAUST、Princeton 发布论文 AVTR(Adaptive Multimodal Reasoning with Visual Imagination)。论文指出文本推理存在两大局限:感知瓶颈(文本难以表达视觉证据)与「一刀切」推理(对简单问题也冗长推理)。AVTR 让模型可在文本推理与视觉想象(在潜在空间中生成中间视觉反思)之间自适应选择模式,并通过强化学习蒸馏出选择性激活机制。在 16 个基准上平均提升 4.5 分,推理延迟降低 32%,且能扩展到更小模型,超越 Qwen3.5 等基线,在高分辨率图像理解与空间推理上超过 GPT-5/Gemini 2.5 Pro。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →