arXiv Computer Vision· Run Shao, Zhaoyang Zhang, Ziyu Li, Linrui Xu, Ji Qi, Xiu Su, Yichao Cao, Chao Tao, Haifeng Li·· 2 小时前AI 评分50
Visual Scaffolding：让原生视觉表征成为多模态推理的一等公民
Visual Scaffolding: Toward Native Multimodal Reasoning
AI 导读
研究提出视觉脚手架机制，让 MLLM 在任意推理步骤自主发起检索，由轻量检索器选取原生视觉特征并直接并入持续演进的 CoT。
来源：arXiv Computer Vision · arxiv.org