算法论文8

Monet：赋予大模型抽象视觉思考能力

机器之心2026-04-21

AI 摘要

研究团队提出Monet模型，通过SFT+RL训练框架，构建Monet - SFT - 125K数据集，解决多模态模型隐式推理训练难题。测试显示，Monet在分布内和外任务中均提升了视觉推理能力。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

RefCaptioner 让视频与参考图精准对应

多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。

本文介绍了专门测量「主动观察」能力的视觉推理基准 ActiveVision，评测显示无外部工具时，大模型与人类准确率有近 9 倍差距，用工具后虽提升但仍远不如人类，还说明了其出题与避免取巧的方式。

当VLA、WAM等机器人控制策略在各自任务中表现出色，如何为子任务匹配合适策略成完成复杂长时序任务关键。RoboHarness解决异构策略协同难题，通过协同调用策略提升成功率。

大模型微调（SFT）是主流LLM落地方案，但大家默认训练完就是学完了。腾讯混元团队发现SFT存在不完全学习现象（ILP），论文完成了定义ILP、找根因、提诊断框架和验证干预等工作。