Tag · 3 篇
强化学习训练
分布 视觉语言模型2生成模型与扩散1
01 02 03
VGent：通过模块化设计解耦推理与预测的视觉定位
VGent: Visual Grounding via Modular Design for Disentangling Reasoning and Prediction
将视觉定位解耦为冻结MLLM编码器与基于检测提议的解码器，避免自回归解码的延迟与幻觉，并支持编码器/解码器的模块化升级；其QuadThinker强化学习训练与掩码感知标签可直接用于提升多目标定位的推理与选择能力。
GThinker：通过线索引导重思考迈向通用多模态推理
GThinker: Towards General Multimodal Reasoning via Cue-Guided Rethinking
提出「视觉惯性」问题并设计线索引导的重思考机制，可被视觉推理模型复用，用于缓解模型对初始视觉感知的过度自信，提升复杂视觉问答的可靠性。
扩散探针：使用 CNN 探针预测生成图像结果
Diffusion Probe: Generated Image Result Prediction Using CNN Probes
利用扩散模型早期去噪步骤的交叉注意力图统计特征，训练轻量级 CNN 探针预测最终图像质量，可用于提示词优化、种子选择与加速 RL 训练等需要早期质量引导的 T2I 工作流。