arXiv Computer Vision· Quanlin Chen, Xiuwei Chen, Kun Xiang, Zehua Ma, Chunjin Ye, Boqiang Guo, Xianming Liu, Xiaodan Liang·· 20 小时前AI 评分24
L2T：多模态推理中自适应决定“怎么看”与“想多久”
Adaptive Look, Flexible Thought: Learning How and How Long to Think in Multimodal Reasoning
AI 导读
针对现有快慢推理范式只调节文本推理长度、将外部工具或视觉 token 带来的视觉计算视为辅助组件的问题，研究者提出统一推理框架 L2T，将工具产生的视觉状态离散化为视觉 token，使视觉感知与文本推理进入同一自回归空间。
来源：arXiv Computer Vision · arxiv.org