视觉推理

Meta ATLAS视觉推理方案针对多模态大模型开销大、依赖工具的痛点，创新提出用单个Token统一Agent动作与隐式思考。该方案通过SFT与LA-GRPO机制，在不改动原架构下，显著降低推理成本...

上海交大等团队发布v-HUB基准，评测7款多模态大模型对无台词搞笑视频的理解力。研究发现模型严重依赖文字描述，难以从视频中直接捕捉动作、声音与反差，幽默解释仍存关键短板。

上海交大与BIGAI提出EAR范式，将视觉规划任务转化为单步图像编辑，通过AMAZE基准系统评测模型的视觉推理能力，揭示扩散模型潜力与差距。