#视觉问答

共 7 条 · 7 天 0 条 · 30 天 1 条

信息流里打上「视觉问答」标签的资讯、产品与论文，按刊登时间排，新的在上。

9月10日

这篇论文提出了一个新框架，让多模态大模型通过对比学习超越表面模仿，在VQA等任务上表现更好。

arXiv cs.AI@Mingbo Yang 等 7 人原文

8月5日

这篇讲FISA，拿模型答错的题来造新训练图，比瞎做增强更准，还能和文本增强一起用。

arXiv cs.AI@Chunyang Jiang 等 12 人原文

7月23日

这篇论文解决了神经符号推理中不可微的离散接口问题，SoftReason让感知和演绎合为一体，KVQA上效果提升明显，搞推理和视觉问答的值得看。

arXiv cs.AI@Wael AbdAlmageed原文

7月10日

CVPR 2026 竞赛推出了 AUTOPILOT-VQA 基准，专门测试 AI 模型对行车记录仪事故视频的推理能力，比普通视觉问答更难更贴近安全。

arXiv cs.AI@Siddharth Damodharan 等 5 人原文

5月25日

论文精选11:13

做多模态推理或视觉问答的开发者，ETCHR 提供了一种无需微调即可提升模型准确率的思路，值得在现有工作流中试试。

arXiv cs.AI@Beichen Zhang 等 6 人原文

5月21日

论文精选11:05

做 VQA 或视觉语言模型评测的团队终于有了一个真正需要外部知识的基准，不再是纯视觉感知题——想测试模型知识推理能力的可以直接用这个数据集。

arXiv cs.AI@Basel Shbita 等 3 人原文

5月12日

该数据集为训练AI进行符合临床指南的多步推理提供了标准化基准，对医学影像AI从感知向认知升级有重要价值。

arXiv: OpenAI@Wenxuan Li 等 6 人原文