ZwZ2：用证据连接数据提升多模态感知

论文用合成证据连接数据训练出 ZwZ2 多模态模型

资讯摘要

论文提出 EvidenceConnect 数据合成框架，利用单张图像中相关区域的放大视图生成需要比较、聚合或串联视觉证据的问题；仅保留多个独立 VLM 一致的参考答案，并通过区域消融测试剔除答案不依赖所选区域的问题。作者用 RLVR 在合成数据上训练基础 VLM，得到 Zooming without Zooming v2（ZwZ2），报告其在细粒度与空间感知、具身空间推理、多模态长上下文理解、多模态智能体任务及通用视觉推理上均有提升。

要点速读

1. EvidenceConnect 用单图内相关区域的放大视图合成需比较、聚合或串联证据的问题。
2. 数据质量由独立 VLM 答案一致性与区域消融测试双重筛选。
3. ZwZ2 经 RLVR 训练，作者报告在多项感知与推理任务上取得提升。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。