SSR 用风格与能力画像选数据，30% 数据达全量 99.1% 性能
资讯摘要
论文提出 SSR 数据选择方法，不再依赖深度嵌入或梯度，而是用交互风格代表结构多样性、用能力相关评分刻画数据质量，为每个样本构建显式画像，并将选择转化为能力—风格网格上的子模覆盖最大化问题，带有近似保证。作者报告在 LLaVA-1.5 与 LLaVA-OneVision 两套架构、两个大规模数据池、六种数据预算和 14 个多模态基准上均优于基线，仅用 2.6M 数据池的 30% 即达到全量性能的 99.1%，并称是首个在百万规模上验证的数据选择方法。
要点速读
- 方法用交互风格与能力评分构建样本画像，并在能力—风格网格上做子模覆盖最大化选择
- 作者报告在 LLaVA-1.5 和 LLaVA-OneVision、两个数据池、六种预算、14 个基准上取得更优表现
- 仅用 2.6M 数据池的 30% 达到全量数据性能的 99.1%，画像与子集可跨数据池和架构迁移
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）。 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。