GQA é um novo conjunto de dados projetado para desafiar e avaliar sistemas de IA em raciocínio visual e resposta a perguntas composicionais. Ele visa promover a compreensão da cena e a interação multimodal em cenários do mundo real.
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.