PEAR自适应优势重塑方法提出

2026年10月26日，arXiv Artificial Intelligence 刊出 Junxin Wang 等作者的论文，提出 PEAR 自适应优势重塑方法，用于提升大型视觉语言模型多模态推理中的感知与探索能力。该方法以视觉依赖度为基础信号，仅在高熵位置叠加基于熵的探索增益，视觉依赖度越低增益越大，再将融合信号映射为正的 token 级权重以重塑序列级优势。在 Qwen2.5-VL-3B/7B 上的实验显示，PEAR 在多模态推理基准上取得所评估基线中的最高平均性能，并在文本推理和通用多模态基准上同样领先。目前该事件仅有这一篇主报道，尚无后续跟进报道，方法效果均为论文自述的实验结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。