跳到主要内容
检索

# ReImaGin

1 篇关联报道

订阅更新
  1. arXiv

    ReImaGin 把图像生成当作多模态推理工具,在六项视觉推理任务上比纯文本推理与专用视觉工具基线最高提升 25%

    该工作提出 ReImaGin,一个免训练的多模态智能体框架,让多模态大模型在推理循环中调用一个自由形式的 generate_image 工具(由指令跟随的图像生成模型驱动),在深度感知、拼图补全、遮挡计数、碰撞预测、多视图空间推理与路径追踪六项任务上,一致优于纯文本推理与固定专用视觉工具基线 Visual Sketchpad,路径追踪提升最高达 25%,遮挡计数相对提升约 40%,并显示有效的视觉推理策略可通过提示优化自动发现。

已读完全部报道