arXiv · cs.CL· Lai Wei·· 18 小时前AI 评分50
Zooming without Zooming v2：从看到细节到连接证据，提升可泛化的多模态感知
Zooming without Zooming v2: From Seeing Details to Connecting Evidence for Generalizable Multimodal Perception
来源与原文
arXiv · cs.CL
作者：Lai Wei
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/2610.37037v1
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
研究团队提出数据合成框架 EvidenceConnect，利用单张图像相关区域的放大视图生成需要比较、聚合或链式串联视觉证据的问题，并用 RLVR 训练基础 VLM 得到 ZwZ2。合成数据仅要求多个独立 VLM 一致、且通过区域消融测试才保留参考答案。尽管未针对任何下游 benchmark 定制，ZwZ2 提升了细粒度与空间感知，并在具身空间推理、多模态长上下文理解、多模态智能体任务和通用视觉推理上带来进一步提升。
来源：arXiv · cs.CL · arxiv.org