Chinese contentViRA 用 CrossRPO 训练视觉智能体,读图而非靠常识猜
这篇论文的思路很聪明:只改图里一个小物件让答案变化,模型要解对整组题就必须真的去读图。只用 3500 条数据,27B 版本就在多数基准上超过了 Claude Haiku 5.5 和 GPT-6-Luna。做视觉理解或文档解析的工程师可以直接借鉴对比集的构造方法。
这篇论文的思路很聪明:只改图里一个小物件让答案变化,模型要解对整组题就必须真的去读图。只用 3500 条数据,27B 版本就在多数基准上超过了 Claude Haiku 5.5 和 GPT-6-Luna。做视觉理解或文档解析的工程师可以直接借鉴对比集的构造方法。