Multimodal LLMs Visual Grounding Curriculum Learning Chart QA
摘要

图表问答(CQA)要求多模态大语言模型整合视觉理解与逻辑推理,但现有模型在视觉接地和推理链连贯性上存在不足。为此,我们提出CURV,一种课程学习框架,通过将CQA重构为多步视觉接地推理来培养内在推理能力,利用空间注意力集中协调逻辑推理与动态视觉接地。此外,我们引入了三级课程数据集CCQA以辅助学习。实验表明,CURV在基线基础上提升了20.50%,并展现出良好的泛化能力,验证了内化视觉推理对增强图表理解的有效性。

AI 推荐理由

论文核心在于通过课程学习增强视觉 grounded reasoning,直接解决推理链条与视觉证据脱节的问题。

研究机构
William & Mary Northwestern University Adobe UIUC
论文信息
作者 Xuehang Guo, Pingyue Zhang, Ruiyi Zhang, Zhenhailong Wang, Hanrui Lyu et al.
发布日期 2026-08-03
arXiv ID 2608.02833
相关性评分 9/10 (高度相关)