大模型能边画边想AI空间推理能力新突破
空间推理成了大模型的新战场。
换句话说，就是模型能“边看边画，边画边想”：在推理过程中主动对图像动手脚，比如绘制参考线、框选关键区域，来捕捉更精准的空间关系。相比传统“视觉转文本”的方式，ViLaSR-7B更像人类那样，借助图形操作引导理解，解决了细节丢失和时空信息混乱的问题。
不卖关子，这就是蚂蚁技术研究院联合中科院自动化所、港中文大学，开源的视觉语言模型 ViLaSR-7B，在迷宫导航、视频理解等五大任务上平均提升18.4%。在最具挑战的VSI-Bench上，更是追平Gemini-1.5-Pro，刷新SOTA成绩。
模型不仅表现好，而且具备类人的空间思维策略：会主动找参考物推理、系统性跨帧追踪物体。更聪明、更像人，是它最大的进步。
猜你喜欢
【7评论】【8点赞】
【28评论】【6点赞】
![小米停车场已经停不下了，外围都围四圈了[捂脸哭][捂脸哭][捂脸哭]上市即交付，交付即](http://image.uczzd.cn/7187103801588893599.jpg?id=0)
【72评论】【9点赞】
【4评论】【1点赞】
作者最新文章
热门分类
科技TOP
科技最新文章