Zooming without Zooming v2: de ver detalles a conectar evidencias para una percepción multimodal generalizable
Investigadores presentan EvidenceConnect, un método para generar datos de entrenamiento con preguntas que comparan, agregan o encadenan pruebas visuales dentro de una misma imagen, usando vistas ampliadas de regiones relacionadas. Las respuestas de referencia se conservan solo si varios VLM independientes coinciden, y pruebas de eliminación de regiones descartan preguntas que siguen resolviéndose sin esas zonas. Entrenados con RLVR, los modelos ZwZ2 mejoran la percepción fina y espacial, y logran más avances en razonamiento espacial corporal, contexto largo multimodal, agentes y razonamiento visual general.
Qué significa
Los modelos de visión y lenguaje pueden mejorar con datos sintéticos baratos que no están ajustados a ningún benchmark concreto, lo que reduce el coste de entrenarlos para tareas como la percepción espacial.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- Hugging Face Daily PapersLeer la noticia completa en Hugging Face Daily Papers