Görsel aracılar, ultra yüksek çözünürlüklü fotoğraflarla ilgili soruları ilgili bölgeleri yakınlaştırarak yanıtlıyor. Ancak mevcut temsilciler genellikle kanıtları okumak yerine sağduyulu yanıtlar veriyor. Son yanıttaki pekiştirmeli öğrenme (RL) bunu düzeltemez çünkü tahmin okumakla aynı ödülü kazanır.
- Görsel aracılar, ultra yüksek çözünürlüklü fotoğraflarla ilgili soruları ilgili bölgeleri yakınlaştırarak yanıtlıyor.
- Ancak mevcut temsilciler genellikle kanıtları okumak yerine sağduyulu yanıtlar veriyor.
- Son yanıttaki pekiştirmeli öğrenme (RL) bunu düzeltemez çünkü tahmin okumakla aynı ödülü kazanır.
Görsel aracılar, ultra yüksek çözünürlüklü fotoğraflarla ilgili soruları ilgili bölgeleri yakınlaştırarak yanıtlıyor.
02 Özet
Görsel aracılar, ultra yüksek çözünürlüklü fotoğraflarla ilgili soruları ilgili bölgeleri yakınlaştırarak yanıtlıyor. Ancak mevcut temsilciler genellikle kanıtları okumak yerine sağduyulu yanıtlar veriyor. Son yanıttaki pekiştirmeli öğrenme (RL) bunu düzeltemez çünkü tahmin okumakla aynı ödülü kazanır. Aracıları kontrast kümeleri konusunda eğiten Çapraz Giriş Göreli Politika Optimizasyonunu (CrossRPO) öneriyoruz. Bir kontrast seti, bir görüntünün, kanıtlarla yalnızca küçük bir bölgede farklılık gösteren ve farklı yanıtlara sahip olan çeşitli versiyonları hakkında bir soru sorar; bu nedenle, yalnızca kanıtın okunması tüm seti çözer. CrossRPO tüm seti çözmeyi ödüllendiriyor ve bunun sağduyuyla yanıtlanan bir seti güçlendirmediğini kanıtlıyoruz. 21 ila 120 megapiksel görüntülerdeki küçük bir nesneyi düzenleyerek eğitim (ViRA-Train) ve değerlendirme (ViRA-Bench) için kontrast setleri oluşturuyoruz ve düzenleme izlerini hariç tutmak için gerçek değişikliklerle (ViRA-Bench-Real) diğer setleri fotoğraflıyoruz. İki Görsel Akıl Yürütme Aracısını, ViRA-9B ve ViRA-27B'yi CrossRPO ile her biri yalnızca yaklaşık 3.500 ViRA-Train öğesi üzerinde eğitiyoruz. CrossRPO, maksimum çözünürlükte ViRA-Bench'te %63,3'lük ayar doğruluğuna ulaşırken, GRPO için bu oran %59,3'tür. ViRA-9B, tüm kıyaslamalarda kendi boyutunda en doğru açık modeldir ve ViRA-27B, çoğu kıyaslamada her ikisi de en yüksek düşünme seviyelerinde Claude Haiku 5.5 ve GPT-6-Luna'dan daha iyi performans gösterir.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Visual agents answer questions about ultra-high-resolution photos by zooming into the relevant regions. However, existing agents often answer from common sense instead of reading the evidence. Reinforcement learning (RL) on the final answer cannot correct this, because a guess earns the same reward as reading. We propose Cross-Input Relative Policy Optimization (CrossRPO), which trains agents on contrast sets. A contrast set asks one question about several versions of an image that differ only in a small region with the evidence and have different answers, so only reading the evidence solves the whole set. CrossRPO rewards solving the whole set, and we prove that it does not reinforce a set answered from common sense. We build contrast sets for training (ViRA-Train) and evaluation (ViRA-Bench) by editing one small object in images of 21 to 120 megapixels, and we photograph further sets with real changes (ViRA-Bench-Real) to exclude editing traces. We train two Visual Reasoning Agents, ViRA-9B and ViRA-27B, with CrossRPO on only about 3,500 items of ViRA-Train each. CrossRPO achieves 63.3% set accuracy on ViRA-Bench at the maximum resolution, against 59.3% for GRPO. ViRA-9B is the most accurate open model of its size on all benchmarks, and ViRA-27B outperforms Claude Haiku 5.5 and GPT-6-Luna, both at their highest thinking level, on most benchmarks.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{lin2026vira,
title = {ViRA: Toward Ultra-High-Resolution Visual Agents via Cross-Input Relative Policy Optimization},
author = {Huawei Lin and Jinting Liu and Tongyan Wang and Xuyang Chen and Ruihua Shi and Zhichao Xu and Jiaxin Qin and Guoshenghui Zhao and Baijian Yang and Yingjie Victor Chen and Tan Yu and Weijie Zhao},
journal = {arXiv preprint arXiv:2611.21605},
year = {2026},
url = {https://arxiv.org/abs/2611.21605}
}
Lin, H., Liu, J., Wang, T., Chen, X., Shi, R., Xu, Z., Qin, J., Zhao, G., Yang, B., Chen, Y. V., Yu, T., & Zhao, W. (2026). ViRA: Çapraz Girişli Göreli Politika Optimizasyonu Yoluyla Ultra Yüksek Çözünürlüklü Görsel Aracılara Doğru. arXiv. https://arxiv.org/abs/2611.21605
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın