多模态蒙特卡洛树搜索

通过外部推理框架突破多模态大语言模型的区域感知瓶颈

Breaking the Regional Perception Bottleneck of Multimodal Large Language Models via External Reasoning Framework

把蒙特卡洛树搜索这类推理时搜索引入 MLLM 的像素级视觉定位，用多模态特征对齐打分和区域特征加权投票替代回归解码器，为纯 MLLM 做 grounding 提供了一条不增加训练成本、只扩展推理阶段的可复用路线。