摘要
在安全关键的交通场景中，回答复杂问题依赖微小的局部视觉线索。然而，标准多模态大语言模型往往过度关注背景，导致关键小物体被淹没，即“关键证据稀释”。为此，本文提出细粒度交通推理基准（FGTR-Bench）及文本引导小物体推理模型（TSR-MLLM）。FGTR-Bench 包含四万余道由多智能体生成并经专家审核的选择题。TSR-MLLM 引入查询条件的文本引导小物体聚焦图，通过稀疏门控残差增强相关视觉槽位，无需外部检测器即可显著提升推理性能，并在多个基准上保持竞争力。
AI 推荐理由
论文核心解决交通场景中的细粒度视觉推理问题，提出新基准与模型以增强关键证据定位能力。
研究机构
The University of Hong Kong
Sun Yat-Sen University
The Hong Kong University of Science and Technology (Guangzhou)
论文信息