标签
本文介绍了S^2VOPD，一种自监督方法，通过将原始图像蒸馏到强增强的学生视图中，改进视觉语言模型，在基准测试中性能超越GPT-5.4。
介绍 iVGR，一种强化学习框架，将视觉定位内化到多模态语言模型的文本推理中，在提升细粒度感知性能的同时，消除了推理过程中显式视觉基础的需求。