多模态大推理模型

VisRef：思考时视觉重聚焦提升多模态大推理模型的测试时扩展

VisRef: Visual Refocusing while Thinking Improves Test-Time Scaling in Multi-Modal Large Reasoning Models

提出一种无需额外强化学习微调的测试时扩展框架，通过选择与推理上下文语义相关且全局多样的视觉令牌核心集并重新注入，缓解多模态大模型在长文本推理中对视觉信息的注意力衰减，可复用于视觉问答、视觉推理等任务。