选对图像也挡不住干扰：Qwen2.5-VL在五张干扰图下靠答案一致性正则把圆形准确率提高16个百分点
视觉语言模型在目标图像旁混入无关图像时准确率明显下降，即使提示直接点名目标图像，干扰仍会通过中间层“干扰图到文本”的连接影响推理。研究在Qwen2.5-VL上以单图预测为参照，用答案一致性正则对齐有干扰与无干扰时的答案分布，在五个感知基准、五张干扰图条件下把圆形准确率平均提高16个百分点，同时保持单图性能。
无人机小目标分割不再只靠生成：DroneSegEdit 加语言核验，RIS-LAD 上 mIoU 达 52.78
无人机航拍里，被指代的目标常常只占几十个像素，还挤在一群外观相似的车辆或行人中，生成式编辑器能画出轮廓却可能选错实例。DroneSegEdit 冻结开源的 LongCat-Image-Edit，只训练轻量 LoRA 渲染候选区域，再用语言锚定的空间核验器在候选内部剔除与指代表达不符的前景。在 RIS-LAD 完整官方测试集上，它取得 52.78 mIoU，比此前最好的 ReSaP-8B 高 7.16 点；在 UAVid-RIS 与 VDD-RIS 上整体保持竞争力，车辆、行人等紧凑类别的提升最明显。
同一奖励、不同技能：多模态强化学习何时学会“看”
该研究提出“视觉可解性”设计规则，要求正确答案必须依赖视觉证据且任务可学习，并在反事实坐标场景上用标准 GRPO 与正确性加格式奖励训练 Qwen2.5-VL-7B：在比训练更密集的留出 20 点场景上，发现目标准确率从 0.425 升至 0.875；把测试图像换成灰色画布后准确率降为零，而用灰色画布训练在匹配的第 30 步、四个随机种子下几乎不产生该增益，说明增益来自训练图像；在相同图像、奖励与预算下加入能回答训练问题的说明文字，增益减少近三分之二。
ReLaViS 用单轮循环隐式视觉搜索把 ScreenSpot-Pro 定位准确率提升 3.1 个百分点至 56.3%
该工作提出 ReLaViS，把 GUI 定位表述为单次模型交互内的循环隐式视觉搜索：每步由空间搜索头用隐藏状态查询截图的视觉 token 生成空间搜索分布，再据此聚合视觉 token 得到隐式视觉证据并回灌为下一步输入嵌入，同时用扁平元素标注构造 GUI 感知的由粗到细轨迹进行监督；基于 Qwen2.5-VL-7B，它在五个基准上均优于匹配的单步基线，ScreenSpot-Pro 准确率从 53.2% 提升到 56.3%，推理 FLOPs 仅增加 3.5%。
BPO 用反事实视图行为包替代单响应奖励，使 Qwen2.5-VL-7B 时序硬子集准确率提升 7.8 个百分点
该工作提出行为包优化（BPO），把视频多模态大模型后训练中的单响应奖励替换为按问题类型选取的反事实视图上的输出行为包并联合打分，要求无关干预下稳定、关键证据移除时敏感、无证据时弃答，并以原始视图响应作为锚点相对优势；在 TempCompass、MVBench、NExT-QA 上，BPO 使 Qwen2.5-VL-7B-Instruct 的宏平均准确率较同 SFT 检查点、预算匹配的 vanilla GRPO 基线提升 4.7 个百分点，时序硬子集提升 7.8 个百分点，弃答 F1 提升 20.0 个百分点，并迁移到 Video-MME、LongVideoBench 与 LLaVA-Video-7B。
已读完全部报道