视觉语言模型

RenderRank:学习从压缩视觉 tokens 的文本重新排名.

RenderRank使用压缩视觉 tokens 重新排列文档 ,减少输入长度16.5-35.5%同时在11个BEIR datasets 中实现NDCG@10 55.96.

具有程序验证的自进化的视觉语言模型

通过结构化图像记录和程序计算的答案,VQS减少了VLM标签噪声,在10个基准值上提高了Qwen3-VL高达3.18分.

空间语言:QA-本地重建利用局部和全球背景进行空间推理

SpatialSpeak是一个4B-参数视觉语言框架,旨在跨多个视图进行空间 chain-of-thought 推理.它首先通过QA原生重建来学习本地几何和全球场景上下文,将场景表示与问题答案监督联系起来.然后该模型逐步…