Zooming without Zooming v2：从视觉细节到证据关联，提升可泛化的多模态感知
这项研究提出 EvidenceConnect，一种为多模态模型生成训练数据的方法。它构造需要比较、汇总或串联图像不同区域视觉线索的问题，并通过独立视觉语言模型之间的答案一致性，以及移除指定区域后的测试来筛选数据。研究团队使用这些数据并通过 RLVR 训练了 ZwZ2。研究报告称，该模型在细粒度和空间感知方面有所提升，在空间推理、长上下文多模态理解、多模态智能体任务及通用视觉推理方面也取得进一步进展。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。