RoSeViT：角色分离的视觉Transformer用于ARC视觉推理

角色分离的ViT在ARC视觉推理上优于稠密ViT基线。

资讯摘要

论文提出RoSeViT，一种角色分离的视觉Transformer，将高层变换规则推断与视觉网格计算显式解耦：controller token聚合变换级信息，workspace token表示视觉网格，非局部交互经controller路由。作者报告在VARC协议下优于稠密ViT基线，受控骨干替换实验中ARC-1准确率从54.5提升至56.6，循环细化后达58.8；集成系统RoSeViT-Ensemble将ARC-1从60.4提升至62.6。

要点速读

1. RoSeViT用controller token与workspace token分离指令推断和视觉计算，非局部workspace交互经controller路由。
2. 受控骨干替换实验中，ARC-1准确率由54.5升至56.6，循环细化后为58.8。
3. 集成到完整系统后，RoSeViT-Ensemble将ARC-1从60.4提升至62.6。

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 2026/10/31 08:00:18（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。