Tag · 5 篇
偏好学习
Twin-T 与 TwintVQA：一种可靠的结构-细节分离 VLM 及面向图表与表格任务的综合基准
Twin-T & TwintVQA: A Reliable Structure-Detail Separating VLM and a Comprehensive Benchmark for Chart and Table Tasks
双头图像编码器分离结构线索与细节的思路可迁移到其他需要同时理解布局和细粒度内容的视觉任务（如文档分析、场景文本理解）；MINT 偏好学习方法强调数值与关键词保真度，为提升 VLM 在数值敏感任务上的可靠性提供了可复用的训练策略。
Socratic-Geo：通过多智能体交互的合成数据生成与跨模态几何推理
Socratic-Geo: Synthetic Data Generation and Cross-Modal Geometric Reasoning via Multi-Agent Interaction
对做视觉语言模型几何推理的人，这篇提供了用多智能体闭环把「图像-文本对」合成与模型学习需求耦合起来的范式：Teacher 用参数化 Python 脚本加可解性/视觉有效性反思保证数据纯度，Solver 的失败路径反过来指导定向增广，Generator 把「图像-代码-指令」三元组蒸馏成图像生成能力，可直接迁移到其他数据稀缺的推理任务。
多模态奖励基准 2：评估面向交错图文的全能奖励模型
Multimodal RewardBench 2: Evaluating Omni Reward Models for Interleaved Text and Image
为视觉生成模型（文生图、图像编辑、交错生成）提供了首个统一的奖励模型评测基准，可直接用于评估和选择生成模型的偏好对齐信号，并揭示当前多模态奖励模型与人类判断的差距。
MSRL：通过多阶段强化学习扩展生成式多模态奖励建模
MSRL: Scaling Generative Multimodal Reward Modeling via Multi-Stage Reinforcement Learning
对做视觉生成与理解评测的人，这篇给出了一个可复用的思路：用大规模纯文本偏好数据先训练出可泛化的奖励推理能力，再经 caption 阶段和全多模态 RL 阶段迁移到视觉奖励模型，从而在缺少多模态偏好标注时也能扩展 MRM 训练；其中的跨模态蒸馏环节可直接用于提升视觉奖励模型的偏好泛化。
AnyID：从任意视觉参考生成超高保真通用身份保持视频
AnyID: Ultra-Fidelity Universal Identity-Preserving Video Generation from Any Visual References
提出统一异构身份输入（人脸、肖像、视频）的全参考架构与主参考生成范式，结合差分提示词实现属性级可控性，并用人类偏好数据做强化学习微调，为身份保持视频生成提供了可复用的多参考融合与可控生成思路。