Tag · 4 篇

智能体

分布视觉语言模型2底层视觉与图像复原1生成模型与扩散1

Learning to Select Visual Tools from Experience

VisTA 将工具选择建模为强化学习问题，利用可验证奖励（RLVR）端到端训练视觉智能体，使其能根据查询动态组合工具库中的工具。对视觉研究者而言，这提供了一种无需人工标注的、经验驱动的工具编排范式，可迁移到需要多工具协同的复杂视觉推理任务（如图表理解、几何推理）。

Hybrid Agents for Image Restoration

将多模态大语言模型与轻量级LLM结合为快慢双智能体，通过指令微调与上下文学习实现图像复原任务的自动工具调用与混合退化去除，为构建可交互、自适应的复原系统提供了可复用的智能体框架。

EvoGraph-R1: Self-Evolving Multimodal Knowledge Hypergraphs for Agentic Retrieval

把多模态知识图谱当作可被智能体动作（检索/扩展/编辑/终止）动态改写的环境，用 MDP 闭环驱动超图演化，为视觉问答中的多跳跨模态检索与可追溯推理提供了可复用的框架。

DiffGraph: An Automated Agent-driven Model Merging Framework for In-the-Wild Text-to-Image Generation

提出基于图结构的自动化模型合并框架，通过节点注册与校准组织在线专家模型，并根据用户需求动态激活子图，为视觉生成中的模型复用与组合提供可扩展方案。