lvlm

本文介绍了SpatialBlock-15k，这是一个针对堆叠方块问题的合成数据集，旨在提升大型视觉语言模型中的3D空间推理能力，并展示了性能的改进和对现实世界任务的泛化能力。

本文介绍了一个用于大型视觉语言模型（LVLMs）中交互式视觉定位的受控评估框架，表明当前LVLMs的表现低于人类基线，并在主动问题驱动定位方面存在困难。

本文提出了UniME-R1，一种用于统一多模态检索的嵌入器-顾问框架，该框架基于检索反馈生成检索中心思维链（RC-CoT），通过从硬负样本中学习来提升检索性能。

这篇arXiv论文介绍了CausalVLBench，这是一个用于评估大型视觉语言模型中视觉因果推理的基准，涵盖三个任务：因果结构推断、干预目标预测和反事实预测。它在三个因果表示学习数据集上评估了开源LVLM，揭示了其优势与不足。

本文介绍了 IllusionReasoning，一个使用真实世界视觉错觉的基准，用于联合评估大型视觉语言模型（LVLMs）的感知和推理能力，发现当前模型的推理能力并不像声称的那样先进。

本文研究了关于大型视觉语言模型（LVLMs）能否协调高效指代表达的看似矛盾的发现。作者表明，当明确提示时，模型可以实现效率，但从隐式提示中无法推断出效率需求，揭示了人类与AI通信之间的关键差异。

UniDoc-RL 提出了一种面向大型视觉-语言模型的强化学习框架，通过层次化决策与密集多奖励监督来优化检索、重排序和视觉推理，在视觉RAG任务上相较此前基于RL的方法实现了高达17.7%的性能提升。