arXiv cs.CV· Yiming Zhang, Qiangyu Yan, Borui Jiang, Kai Han·· 5 小时前AI 评分22
HIVE：通过分层视觉线索注入实现多模态潜在推理
Multimodal Latent Reasoning via Hierarchical Visual Cues Injection
AI 导读
研究者提出多模态潜在推理框架 HIVE，通过递归扩展 Transformer 块构建内部循环进行迭代推理精炼，并将从全局场景到细粒度区域的分层视觉线索注入模型潜在表示，使多步推理完全在对齐的潜在空间中完成。评估显示，引入视觉知识后测试时扩展有效，分层信息显著提升模型对复杂场景的理解。
来源：arXiv cs.CV · arxiv.org