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。
Visual agents answer questions about ultra-high-resolution photos by zooming into the relevant regions. However, existing agents often answer from common sense instead of reading the evidence. Reinforcement learning (RL) on the final answer cannot correct this, because a guess earns the same reward as reading. We propo
阅读原文 · Huawei Lin, Jinting Liu, Tongyan Wang, Xuyang Chen, Ruihua Shi, Zhichao Xu, Jiaxin Qin, Guoshenghui Zhao, Baijian Yang, Yingjie Victor Chen, Tan Yu, Weijie Zhao
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文盯上了一个很具体、也很要命的毛病:视觉 Agent 在高分辨率图上放大了、看了、还是靠常识猜答案。 摘要里那句话说得挺直白, 猜一个答案和真去读证据,在最终答案的 RL 里拿到一样的奖励 。所以常规强化学习没法把“看图”这件事教出来。 ViRA 的思路是换训练信号。不奖励单个答案对错,而是要求模型在一组只差一小块区域的图里全答对。 这篇论文想解决什么...