Tag · 2 篇
强化学习推理
分布 视觉语言模型1数据集与评测1
01 02
看得更远，想得更深：以低层视觉线索与反思提升视觉语言模型的推理能力
See Further, Think Deeper: Advancing VLM's Reasoning Ability with Low-level Visual Cues and Reflection
把低层视觉工具（如显著性/掩码提取）接入 VLM 的思维链，并用基于掩码的视觉反馈让模型在推理中回看图像、修正答案；对做视觉推理、细粒度视觉定位或多模态 agent 的研究者，这是一套可复用的「工具调用+视觉反思」RL 训练范式。
Omni-Fake：统一多模态社交媒体深度伪造检测基准
Omni-Fake: Benchmarking Unified Multimodal Social Media Deepfake Detection
提供了百万级图像/音频/视频/音视频说话人头的多模态伪造数据集与OOD基准，并给出三元检测（真实/部分篡改/全合成）加空间或时序定位掩码的评测协议，可直接用于训练和评测视觉伪造检测与篡改定位模型；Omni-Fake-R1 的强化学习驱动多模态检测器输出结构化决策与自然语言解释，为可解释伪造检测提供可复用范式。