arXiv cs.AI· Junxin Wang, Yingfeng Luo, Xiangchen Song, Weiqiao Shan, Runsong Zhao, Xinyu Liu, Shunjie Xing, Yifu Huo, Dingyang Lin, Qiuyu Gu, Yongyu Mu, Chenglong Wang, Changliang Li, Jingbo Zhu, Tong Xiao·· 3 小时前AI 评分33
PEAR：面向大型视觉语言模型感知与探索的自适应优势重塑方法
PEAR: Adaptive Advantage Reshaping for Perception and Exploration in Large Vision-Language Models
AI 导读
PEAR 是一种针对多模态推理的自适应优势重塑方法，以视觉依赖度为基准信号，仅在高熵位置额外叠加基于熵的探索增益，视觉依赖度越低增益越大，再把融合信号映射为 token 级正权重来重塑序列级优势。在 Qwen2.5-VL-3B/7B 上的实验显示，PEAR 在多项多模态推理基准上的平均性能优于所评估的基线，并在文本推理和通用多模态基准上同样取得领先结果。
来源：arXiv cs.AI · arxiv.org