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。
Thinking with images empowers vision-language models (VLMs) to use an external Zoom-in tool for fine-grained visual search. Recent works employ supervised fine-tuning (SFT) and reinforcement learning (RL) with tool-specific designs to enable such capabilities. However, achieving logical reasoning alongside accurate and
阅读原文 · Yanjun Fu, Quanzeng You, Jiadong Guo, Yujie Lu, Sai Charitha Akula, Haiping Wu, Miao Liu, Sanghamitra Dutta, Lu Yuan
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看的地方,是它把“视觉搜索”这件事的瓶颈从 RL 算法挪回了数据质量。 现在让视觉语言模型用 Zoom-in 工具做细粒度看图,主流做法是 SFT 加 RL,再配一堆工具相关的设计。LogT 的作者说,先别急着把 RL 搞复杂, SFT 数据本身不够好才是关键卡点 。 他们的做法是造一个全自动的 SFT 数据引擎,强制推理过程按逻辑链走,生成带视...