Tag · 4 篇
进化搜索
ReaGEN：面向高效多模态推理的自适应结构化思维链生成
ReaGEN: Adaptive Generation of Structured Chains-of-Thought for Efficient Multimodal Reasoning
对做多模态推理的视觉研究者，这篇给出了一个可复用的思路：用 VLM 内部注意力信号衡量推理各阶段的重要性，并训练一个轻量生成器动态产出问题自适应的思维链结构，从而以单路径开销获得多路径搜索的灵活性；可直接嵌入自托管 LVLM 的推理流程以替代昂贵的测试时搜索。
RAISE：面向免训练文本到图像对齐的需求自适应进化精修
RAISE: Requirement-Adaptive Evolutionary Refinement for Training-Free Text-to-Image Alignment
把 T2I 生成当作需求驱动的测试时搜索：用结构化需求清单驱动 VLM 验证，只在未满足项上分配提示词重写、噪声重采样与指令编辑等精修动作，可作为即插即用的免训练推理框架套到任意扩散模型上，替代固定迭代预算的 scaling。
EvoComp：通过语义引导的进化标注为多模态大语言模型学习视觉词元压缩
EvoComp: Learning Visual Token Compression for Multimodal Large Language Models via Semantic-Guided Evolutionary Labeling
为 MLLM 的视觉词元压缩提供了一套可复用的监督信号构造范式：用进化搜索在输出损失最小化目标下自动标注应保留的词元子集，再以轻量 encoder-only 压缩器学习该选择策略，可直接迁移到高分辨率、多图或视频输入下的视觉词元剪枝与加速。
Dynamics：基于语言从视频推断刚体动力学的表示方法
Dynamics: Language-Based Representation for Inferring Rigid-Body Dynamics From Videos
将语言作为刚体动力学的统一表示，利用光流作为语义无关输入增强泛化，并通过测试时采样和进化搜索提升物理参数推断精度，为视觉物理推理提供了新范式。