VQA 相关 AI 资讯 · AI 热点

7月1日

10:08

10:08

官方账号arXiv cs.AI@Zhaoyang Luo, Runmin Dong, Miao Yang, Fan Wei, Yushan Lai, Bin Luo, Haohuan Fu

论文提出一种操作级视觉令牌跳过框架，将Transformer层分解为注意力与FFN操作，选择性跳过冗余计算。实验覆盖3种MLLM架构（含Qwen3-VL）和10个VQA基准，实现精度-效率权衡：在Qwen3-VL上减少33.7% TFLOPs，保留99.5%的原始性能。关键发现是晚期视觉令牌更新对答案表示影响很小，且有效计算具有操作主导性和层依赖性。

论文 MLLM Qwen3-VL 推理加速

推荐理由：这篇论文告诉你如何在不牺牲性能的前提下大幅降低多模态大模型的计算量。他们在Qwen3-VL上砍了33.7%的算力，性能只掉了0.5%，方法很巧妙。

6月19日

11:06

11:06

官方账号arXiv cs.LG@Sai Sakunthala Guddanti, Anil Prabhakar, Ria Rushin Joseph

该论文系统研究了多qutrit量子系统中von Neumann熵的估计问题，使用两种互补方法：变分量子算法(VQA)和经典卷积神经网络(CNN)。对于最多3个qutrit的系统，构建了11种SU(3)启发的ansatz，参数扫描表明估计精度主要由可训练参数数量决定，并固定约120个参数。对于2至5个qutrit的系统，基于张量积互斥基测量结果训练的CNN仅使用全态层析所需12.5%的测量，即可对4与5 qutrit系统实现90百分位绝对误差约0.13-0.16 nats。CNN对shot噪声鲁棒，且泛化到分布外状态。结果显示VQA适用于小系统，而CNN估计器在大qutrit系统中具有更好的可扩展性和鲁棒性。

论文 qutrit VQA CNN

推荐理由：这篇论文用CNN和VQA两种方法估测量子系统的熵，发现CNN只用12.5%的数据就能准确估计，对更大系统效果更好，值得关注。

11:03

11:03

官方账号arXiv cs.LG@Yusuf Salcan, Simon Ging, Robin Schirrmeister, Philipp Arnold, Elmar Kotter, Behzad Bozorgtabar, Thomas Brox

论文提出RefRad2D数据集，包含120万CT和MR图像-文本对，覆盖德语和英语。该数据集通过LLM标注和自动分割生成任务特定的VQA和空间定位子集。基于此训练的RadGrounder模型同时支持报告生成、视觉问答和边界框检测/分割。在Slake和VQA-RAD外部基准上，RadGrounder取得与专用医学VLM竞争的结果。加入临床数据训练可提升开放VQA表现，且增加空间定位监督不降低语言质量。

论文 RefRad2D RadGrounder 放射学

推荐理由：这篇论文开源了120万对的放射学双语数据集RefRad2D，训练出的RadGrounder能同时做报告生成、VQA和空间定位，空间定位还不影响语言质量，搞医疗AI的值得看看。

6月11日

12:32

12:32

官方账号arXiv cs.AI@Litao Li, Yibo Yu, Yufeng Hu, Zhuo Yang, Jiali Wen, Yixin Chen, Yixi Zhou

精选

本文提出了针对2026年SoccerNet VQA挑战赛的解决方案。研究团队首先开发了一种由视觉语言模型驱动的低成本数据合成流程，将原始领域数据系统性地转化为多样化的VQA样本，包括简洁答案和长文本回答。其次，提出了MSUE架构，这是一种多专家问答架构，利用大语言模型动态地将问题分配给文本、图像和视频专家。这些专家分别由强大的文本基线Gemini3-Flash、微调的Qwen3-VL和外部知识库实例化，协同工作以提升VQA性能。MSUE在挑战基准上达到了0.95的准确率，在排行榜上获得第三名。

论文多模态 VQA 足球分析

推荐理由：足球视频分析团队和体育AI研究者可以借鉴其低成本数据合成和多专家协作架构，直接提升VQA任务的准确率，值得关注。