计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月7日
]
标题: 开放视觉推理器:转移语言认知行为用于视觉推理
标题: Open Vision Reasoner: Transferring Linguistic Cognitive Behavior for Visual Reasoning
摘要: 大型语言模型(LLMs)卓越的推理能力源于通过可验证奖励进行强化后出现的认知行为。 这项工作研究如何将这一原理转移到多模态大型语言模型(MLLMs)中,以解锁高级视觉推理能力。 我们引入了一个基于Qwen2.5-VL-7B的两阶段范式:首先进行大规模语言冷启动微调,然后进行跨越近1000步的多模态强化学习(RL),其规模超过了所有之前开源努力。 这项开创性工作揭示了三个基本见解:1)由于语言心理意象,行为转移在冷启动阶段意外地早期出现。 2)冷启动广泛记忆视觉行为,而强化学习则关键地区分并扩展有效的模式。 3)转移策略性地偏向高效行为,如视觉反思。 我们提出的模型Open-Vision-Reasoner(OVR)在一系列推理基准测试中取得了最先进的性能,包括MATH500上的95.3%,MathVision上的51.8%和MathVerse上的54.6%。 我们发布我们的模型、数据和训练动态,以推动更强大、行为对齐的多模态推理器的发展。
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.