以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
Vision-Language Models increasingly rely on textual reasoning to solve advanced multimodal tasks. Despite its effectiveness, this paradigm faces two fundamental limitations. First, relying on textual reasoning alone can limit perceptual ability in vision-centric questions, where accurate answers depend on interpreting
阅读原文 · Xiaoqian Shen, Yunyang Xiong, Changsheng Zhao, Saksham Suri, Chong Zhou, Zechun Liu, Zhipeng Cai, Zhuang Liu, Qi Qian, Wei Wen, Hongyu Xu, Hanxian Huang, Ernie Chang, Yanbei Chen, Vikas Chandra, Raghuraman Krishnamoorthi, Mohamed Elhoseiny, Lemeng Wu
向阳乔木 · opencode-go/deepseek-v4.1-flash
视觉语言模型现在几乎都在用文本推理解决问题,但这条路有两个明显的天花板:遇到真正需要“看图”的问题,纯文字推理会丢失感知细节;遇到根本不需要复杂推理的问题,模型又会生成一堆冗余的思考过程。 AVTR 想同时处理这两个问题。它引入“视觉想象”作为文本推理之外的第二种推理方式,让模型重新审视视觉输入,通过生成式的视觉反思提炼关键证据。更关键的是,它把“该用哪种推...