Tag · 3 篇

多图推理

分布视觉语言模型2数据集与评测1

Will Multimodal Models Be Dazzled by Multi-Image Visual Puzzles?

对做多图/多帧视觉语言推理的人，MIRACLE 提供了强制跨图依赖的评测协议与实例分组设计，可直接用来诊断 MLLM 在高视觉信息密度（谜题、超多图输入）下的结构性关系推理短板，并作为多图训练数据的构造参考。

Mimic Human Cognition, Master Multi-Image Reasoning: A Meta-Action Framework for Enhanced Visual Understanding

把多图/多帧推理拆成 Global/Focus/Hint/Think/Answer 五个元动作，并用检索式树采样构造冷启动轨迹、再用两阶段强化学习（多样性保持探索 + DAPO 退火利用）训练，可直接迁移到需要跨图跨帧聚合证据的视觉语言任务上。

Fine-Grained Multi Image Object Hallucination Benchmark

做多模态大模型视觉理解时，可把 MIOH 的三类多图推理模式（综合/对比/选择）与三种对抗压力（视觉上下文规模、感知难度、上下文偏置）当作诊断探针，定位幻觉是发生在感知阶段还是跨图对象表征整合阶段，从而指导多图融合模块的设计与评测。