热点事件持续更新
PEAR：面向多模态推理的自适应优势重塑方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月26日，arXiv cs.AI 刊出论文提出 PEAR——一种面向大型视觉语言模型多模态推理的自适应优势重塑方法。该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，再将融合信号映射为 token 级正权重，用以重塑序列级优势。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。
AI 根据报道生成 · 2 小时前更新
最新进展10月26日 12:00
arXiv 刊出 PEAR 论文，在 Qwen2.5-VL-3B/7B 上多模态推理基准平均性能优于所评估基线。报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv cs.AIPEAR：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 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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。