计算机科学 > 计算机视觉与模式识别
[提交于 2025年5月30日
]
标题: ProxyThinker:通过小型视觉推理器进行测试时指导
标题: ProxyThinker: Test-Time Guidance through Small Visual Reasoners
摘要: 近年来,具有可验证奖励的强化学习取得了进展,推动了大型视觉语言模型(LVLMs)的视觉推理能力的发展。 然而,使用强化微调(RFT)训练LVLMs计算成本高昂,这对扩展模型规模构成了重大挑战。 在这项工作中,我们提出了ProxyThinker,这是一种推理时技术,使大型模型能够在无需任何训练的情况下继承来自小型、慢速推理视觉推理器的视觉推理能力。 通过从RFT推理器的输出分布中减去基础模型的输出分布,ProxyThinker修改了解码动态,并成功激发了由出现的复杂行为(如自我验证和自我修正)所展示出的慢速推理。 ProxyThinker在空间、数学和跨学科推理的具有挑战性的视觉基准测试上始终提升了性能,使得未经调优的基础模型能够与全规模RFT对应模型的表现相媲美。 此外,我们的实现利用并行技术高效协调多个语言模型,在推理速度上比先前的解码时方法快高达38 $\times$倍,为ProxyThinker的实际部署铺平了道路。 代码可在https://github.com/MrZilinXiao/ProxyThinker获取。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.