#visual question answering

8 stories · 1 in 7 days · 1 in 30 days

C$^2$-Routing 1 MLLM 1 VLM 1 VQA 1 in-context learning 1 multimodal 1 inference optimization 1

Stories, products and papers tagged "visual question answering", newest first.

Nov 11

Papers Builders13:54

Chinese contentC$^2$-Routing：裁剪与压缩互补，让 VLM 视觉推理 FLOPs 降 36.53%

做 VLM 推理优化的开发者可以看看这篇。它不训模型，靠按问题选裁剪还是压缩来省算力，FLOPs 省三成多、精度只掉不到 1%，RTX 3090 就能复现，比单纯砍视觉 token 上限更细。

#VLM #visual question answering #C$^2$-Routing #inference optimization

arXiv cs.LG@Guorui Lu, Qinyu ChenSource

Sep 10

Papers BuildersSelected73°09:24

Contrastive Modeling for Multimodal Reasoning

The framework addresses a key limitation in multimodal AI by improving reasoning path alignment, potentially enhancing performance for complex visual tasks in ASEAN applications.

#multimodal #in-context learning #MLLM #visual question answering

arXiv cs.AI@Mingbo Yang et al. (7)Source

Aug 5

Papers11:00

Chinese content失败引导的图像自增强：FISA提升多模态大模型自我改进能力

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。

#FISA #multimodal LLMs #recursive self-improvement #visual question answering

arXiv cs.AI@Chunyang Jiang et al. (12)Source

Jul 23

Papers11:50

Chinese contentSoftReason：面向高维感知数据的全可微神经软符号演绎推理架构

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。

#SoftReason #KVQA #neurosymbolic AI #visual question answering

arXiv cs.AI@Wael AbdAlmageedSource

Jul 10

Papers12:14

Chinese contentAUTOPILOT-VQA：面向事故场景的行车记录仪视频问答基准

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。

#AUTOPILOT-VQA #Vision-Language Models #CVPR 2026 #visual question answering

arXiv cs.AI@Siddharth Damodharan et al. (5)Source

May 25

PapersSelected11:13

Chinese contentETCHR：解耦图像编辑与理解，提升多模态推理能力

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。

#multimodal reasoning #image editing #visual question answering #ETCHR

arXiv cs.AI@Beichen Zhang et al. (6)Source

May 21

PapersSelected11:05

Chinese contentWikiVQABench：从 Wikipedia 和 Wikidata 构建的知识驱动 VQA 基准

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。

#visual question answering #benchmarks #Wikipedia #Wikidata

arXiv cs.AI@Basel Shbita et al. (3)Source

May 12

Papers19:10

Chinese contentRadThinking：放射学纵向临床推理数据集

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。

#medical imaging #reasoning models #visual question answering

arXiv: OpenAI@Wenxuan Li et al. (6)Source