精选理由
做多模态模型评估或安全部署的团队，可以关注这种符号化元验证思路——它用边界框替代文本解释做奖励信号，既高效又避免依赖辅助模型，直接提升验证的细粒度与可解释性。
多模态大模型的视觉输出需要可靠且细粒度的验证。本文提出多模态元验证方法，发现符号化验证器输出（如边界框）比文本解释更有效，且将二元判断与元验证的强化学习目标解耦能显著提升性能。基于此训练的OmniVerifier-M1通用视觉验证器，不仅提供稳健验证和细粒度错误定位，还驱动了M1-TTS智能体生成系统，实现动态区域级自我修正。该工作为更可靠、可解释的多模态验证铺平道路，支持更安全可控的基础模型部署。
AI 翻译 · 中文
多模态大模型的视觉输出需要可靠且细粒度的验证。本文提出多模态元验证方法，发现符号化验证器输出（如边界框）比文本解释更有效，且将二元判断与元验证的强化学习目标解耦能显著提升性能。基于此训练的OmniVerifier-M1通用视觉验证器，不仅提供稳健验证和细粒度错误定位，还驱动了M1-TTS智能体生成系统，实现动态区域级自我修正。该工作为更可靠、可解释的多模态验证铺平道路，支持更安全可控的基础模型部署。
Visual outcomes are increasingly central to multimodal large language models, making reliable and fine-grained verification essential for scaling generalist foundation models. In this work, we investigate multimodal meta…