论文用多分支潜在视觉假设与对比对齐改进视觉推理。
资讯摘要
论文提出 Latent Visual Contrastive Reasoning，一种分支感知的潜在推理框架，针对多模态大模型在复杂视觉推理中需定位并比较多处证据的问题。该方法在图像 token 上生成多个以问题为条件的潜在视觉分支作为软假设，并利用边界框证据标注构建目标证据表示，引入软对比分支—证据对齐目标，使相关分支对齐标注区域、与负证据形成对比。作者在 Qwen2.5-VL 骨干上以标准监督微调实现，报告在 3B 与 7B 规模上于感知密集型视觉推理基准取得整体提升。
要点速读
- 方法生成多个问题条件下的潜在视觉分支，作为对图像 token 的软假设，替代单一线性推理轨迹。
- 训练使用边界框证据标注构建目标证据表示，并引入软对比分支—证据对齐目标。
- 在 Qwen2.5-VL 骨干上以标准监督微调实现，作者报告 3B 和 7B 规模在感知密集型视觉推理基准上整体优于骨干与单路径潜在推理基线。
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。