PEAR：视觉依赖度驱动的多模态推理优势重塑方法

Junxin Wang 等作者提出 PEAR，一种面向大型视觉语言模型多模态推理的自适应优势重塑方法。该方法以视觉依赖度为信号，只在模型输出中高熵的位置叠加熵驱动的探索增益，视觉依赖度越低增益越大，再把融合信号映射为 token 级正权重，用来重塑序列级优势。 作者称，在 Qwen2.5-VL-3B/7B 上，PEAR 在多模态推理基准上的平均表现优于所评估的基线，并在文本推理和通用多模态基准上取得领先结果。上述效果来自作者自述，尚未见独立验证。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。