#MLLMs

医疗AI研究者必看：新方法让模型在诊断中更准确地区分阳性阴性病例，AUROC提升显著。

TPAE方法通过细粒度监督提升多模态模型推理能力，在七个基准测试中表现优异。

Read this if you're interested in the latest advancements in MU-CPT and how to improve cross-modal learning in MLLMs without supervision.

SciMIF基准为评估MLLMs在科学领域的指令遵循能力提供了新工具，揭示了不同学科间的性能差异，对科学研究和MLLMs发展具有重要意义。

RuleMaze提出了一个创新的基准，通过DMP技术显著提升了MLLMs的规则遵循能力，对于研究MLLMs的空间规划具有重要意义。

这篇论文告诉你，模型答对空间题不一定是因为看了图——VCA方法能揪出这种虚假正确。结果发现十几到二十几个百分点的正确回答其实没用到图像信息。

这篇论文用TriViewBench测了18个多模态模型，发现它们都在多视图推理上崩得厉害，CoT也救不了。想了解当前MLLM的结构推理极限，可以看看。

这篇论文让MLLMs学会用代码做数值推理，准确率涨了6个点，工具调用成功率超95%，代码开源可复现。