摘要
高分辨率像素和裁剪工具赋予多模态大语言模型检查图像的能力,但缺乏可靠的决策策略。Q-CueGraph通过显式映射问题与图像表示,为冻结阅读器生成预算受限的坐标级观测。该方法复用OCR/布局图处理文本丰富图像,并在统一接口下实现自然图像搜索。无需区域框监督,通过训练答案正确性优化候选裁剪选择。实验表明,在V*Bench上准确率达0.833,显著优于全图推理,尤其在证据可定位且分辨率受限的场景中效果显著。
AI 推荐理由
论文核心解决多模态推理中的视觉证据定位与选择问题,直接增强模型的逻辑推理能力。
研究机构
The University of Tokyo
Tohoku University
论文信息