论文用分阶段监督提升轻量 VLM 密集场景推理。
资讯摘要
论文提出 DRBench 基准与 DRScaffold 监督微调框架，用于改善轻量视觉语言模型在密集场景中的推理。DRBench 含 2943 张图像上的 14573 个问题，分五类任务、三层递进推理。DRScaffold 将监督目标拆为四个因果有序阶段，无需改动模型架构。作者报告三个轻量 VLM 在 DRBench 上明显提升，通用基准持平或更好；Qwen2.5-VL-3B 经训练后在零样本直接作答下超过冻结的 Qwen2.5-VL-32B。
要点速读
- 论文提出 DRBench，含 2943 张图像、14573 个问题，覆盖五类任务和三层递进推理。
- DRScaffold 将监督目标分解为四个因果有序阶段，不修改模型架构。
- 作者报告三个轻量 VLM 在 DRBench 上提升，通用基准持平或改善；Qwen2.5-VL-3B 训练后在该基准零样本直接作答下超过 Qwen2.5-VL-32B。
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 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。