CASHEW：迭代轨迹聚合稳定多模态推理

2026年10月15日，arXiv Computer Vision 刊出研究（作者 Chaoyu Li、Fei Tao、Pooyan Fazli），针对视觉语言模型多步推理不稳定、重复采样易产生分歧轨迹的问题，提出推理时框架 CASHEW 与学习变体 CASHEW-RL。报道称，CASHEW 在推理阶段迭代聚合多条候选轨迹为更高质量的推理轨迹，聚合过程中以物体是否存在的视觉验证作为 grounding 线索；CASHEW-RL 则将这种聚合行为内化到单一模型中，并用 GSPO 训练。在 13 个图像、视频理解与视频推理基准上，报道称 CASHEW/CASHEW-RL 在 Qwen3-VL-4B 上平均提升 +4.1/+5.3 个百分点，在 Qwen3-VL-8B 上提升 +2.6/+3.0 个百分点。目前为该研究首次报道，尚无后续跟进或相互矛盾的信息。

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。