Tag · 2 篇

自校正

Visual Document Understanding and Reasoning: A Multi-Agent Collaboration Framework with Agent-Wise Adaptive Test-Time Scaling

把视觉文档理解拆成规划、执行、判断、回答四个智能体并做智能体级自适应测试时扩展，为 VLM 在复杂多步推理场景下提供了一种可复用的「程序化扩展」替代单体模型堆参数的思路。

Think Visually, Reason Textually: Vision-Language Synergy in Abstract Reasoning

论文揭示了视觉与语言在推理不同阶段的互补性：视觉擅长全局模式抽象与验证，语言擅长符号规则表述与精确执行。这为视觉研究者提供了一个可复用的思路——将视觉渲染作为验证模块嵌入文本推理流程，实现内在错误校正，尤其适用于需要从少量示例中归纳规则的少样本视觉推理任务。