Tag · 2 篇
视觉工具调用
01 02
ViRC：通过推理分块增强视觉交错数学思维链
ViRC: Enhancing Visual Interleaved Mathematical CoT with Reason Chunking
提出 Reason Chunking 机制，将多模态数学思维链结构化为关键推理单元（CRU），并在单元间动态调用视觉工具获取图像信息，为视觉语言模型在需要反复查看图像的推理任务中提供了可复用的分块推理与渐进训练范式。
扩展智能体强化学习以提升视觉语言模型中的工具集成推理
Scaling Agentic Reinforcement Learning for Tool-Integrated Reasoning in VLMs
提供了一个可扩展的视觉智能体强化学习训练环境与标准化视觉工具接口，视觉研究者可复用其多轮轨迹采样与可验证反馈机制，训练 VLM 学会在推理中自主调用 grounding、parsing 等视觉工具，从而把「看图」变成多步交互式推理。