摘要
多模态语言模型常结合视觉工具增强推理，但原始像素级输出与语言原生推理优势错位，导致感知薄弱。本文提出感知程序（P²），一种无需训练、模型无关的方法，将工具输出重写为紧凑的结构化语言摘要，使模型能直接解析推理。在 BLINK 六个任务中，P² 显著超越基线及现有方法，即使在小模型上也取得 15-40% 的绝对增益，确立了新的最先进结果。
AI 推荐理由
论文核心解决视觉工具输出与语言模型推理能力不对齐问题，显著提升多模态推理性能。
研究机构
Huawei Technologies, Canada
University of Alberta, Canada
论文信息