arXiv · cs.AI· Tongkun Guan·· 13 小时前AI 评分41
PerceptRL：让多模态大模型的视觉感知变得可奖励，从答案到交互
PerceptRL: Making Visual Perception Rewardable in MLLMs from Answers to Interactions
来源与原文
arXiv · cs.AI
作者：Tongkun Guan
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.37471v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
PerceptRL 提出在 MLLM 后训练中强化视觉感知的两级方案：Perception RL 用多智能体流程从稠密图像描述中提取经核验的错误并转为 QA 对，Perception Agentic RL 通过视觉工具的多轮检查解决细粒度难题，并引入 Coordinate Injection 和 grounding-aware process reward 修正坐标漂移。在七项 benchmark 的统一工具使用协议下，PerceptRL 平均准确率达 71.6%，分别超过同工具基础模型 15.7 个百分点和最强前沿 VLM 5.2 个百分点。
来源：arXiv · cs.AI · arxiv.org