GQA ist ein neues Dataset, das entwickelt wurde, um KI-Systeme im visuellen Denken und bei der Beantwortung kompositioneller Fragen herauszufordern und zu bewerten. Es zielt darauf ab, das Szenenverständnis und die multimodale Interaktion in realen Szenarien voranzutreiben.
Este artigo propõe o DLR, um framework de raciocínio latente reforçado para Vision-Language Models (VLMs) que melhora o raciocínio visual complexo, superando a perda de informação em CoT textual. Ele decompõe dinamicamente consultas, extrai latentes visuais e deduz respostas, oferecendo maior interpretabilidade e superando baselines em benchmarks vision-centric.
A Qwen lançou oficialmente o QVQ-Max, um modelo de raciocínio visual capaz de compreender, analisar e raciocinar com informações de imagens e vídeos. Ele demonstra habilidades impressionantes na resolução de problemas complexos, desde matemática e programação até criação artística.