PEAR：面向大型视觉语言模型感知与探索的自适应优势重塑

PEAR 用自适应优势重塑提升多模态推理的感知与探索。

资讯摘要

论文提出 PEAR，一种用于多模态推理的自适应优势重塑方法。作者指出，此前工作将视觉依赖与 token 熵结合来重塑序列级优势，但按视觉依赖缩放 token 熵的贡献，会使视觉依赖低的高熵 token 权重不足，而这些 token 对推理探索很重要。PEAR 以视觉依赖为基础信号，仅在高熵位置加入基于熵的探索增益，视觉依赖越低增益越大，再把融合信号映射为正的 token 级权重来重塑序列级优势。在 Qwen2.5-VL-3B/7B 上的实验显示，PEAR 在多模态推理基准上取得所评估基线中最高的平均表现，并在文本推理和通用多模态基准上也有领先结果。

要点速读

1. 论文指出，按视觉依赖缩放 token 熵会使视觉依赖低的高熵 token 权重不足。
2. PEAR 以视觉依赖为基础信号，仅在高熵位置加入探索增益，视觉依赖越低增益越大。
3. 在 Qwen2.5-VL-3B/7B 上，作者报告 PEAR 在多模态推理基准上平均表现最高，并在文本推理与通用多模态基准上领先。

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 2026/10/27 08:00:28（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。