AITOP

Qwen2.5-VL-7B-Instruct

共 2 条相关 AI 资讯
7月13日
09:17
09:17官方账号arXiv cs.LG@Spiros Baxevanakis, Peng-Jian Yang
研究测试时扩展(TTS)是否适用于小规模开源视觉语言模型，使用EXAMS-V多语言视觉多项选择基准。实验对比self-consistency、describe-then-reason结合PRM引导束搜索等方法，基于Qwen2.5-VL-7B-Instruct和Qwen3.5-4B。关键因素是链的可解析性：提示格式导致链正确但不输出答案，加入答案提示和修复步骤后改善。每链token上限从1k升至2k恢复3.7个百分点，但增加链数从8到16仅提升0.15个百分点。PRM束搜索落后普通self-consistency 0.39个百分点且成本高8倍，最佳配置在ImageCLEF 2026测试集达84.1%并排名第一。
论文Qwen2.5-VL-7B-InstructQwen3.5-4BEXAMS-V
推荐理由：这篇论文告诉你，在小模型上用测试时扩展，关键是让模型把答案写出来，而不是复杂搜索。Qwen2.5-VL调参后性价比很高。
原文
7月3日
09:42
09:42官方一手arXiv: Google DeepMind@Ismail Ismail Tijjani, Ahmad Abubakar Mustapaha, Sunusi Ibrahim Muhammad, Muhammad Bashir Aliyu
本研究评估了五种视觉语言模型（Gemini 2.0 Flash Exp、Qwen2.5-VL-7B-Instruct、GPT-4o、Claude 4 Sonnet、Llama 3.2 Vision 90b）在尼日利亚车牌识别中的零样本学习表现。使用包含88张真实环境图像的测试集，基于字符错误率（CER）指标，Gemini与Qwen在准确性和鲁棒性上显著优于其他模型。该工作对比了VLM与传统YOLO+OCR管线的优劣，并质疑了模型提供商的性能宣称。
论文Gemini 2.0 Flash ExpQwen2.5-VL-7B-Instruct零样本学习
推荐理由：用真实非洲场景测了5个主流VLM，发现Gemini和Qwen在车牌识别上比YOLO+OCR更准，有数据有对比。
原文