跳到正文
arXiv · ML· Trishna Chakraborty, Udita Ghosh, Aldair Ernesto Gongora, Ruben Glatt, Yue Dong, Jiachen Li, Amit K. Roy-Chowdhury, Chengyu Song·· 21 天前AI 评分30

VLM 实验室安全监测:通过场景结构学习识别危险

Toward Autonomous Laboratory Safety Monitoring with Vision Language Models: Learning to See Hazards Through Scene Structure

AI 导读

研究人员提出 SAGA 框架,利用强化学习让视觉语言模型先构建场景图再预测实验室危险。基于 1,207 个合成数据的实验显示,Qwen 3.5 和 Gemma 4 的 F1 分数近乎翻倍,真实数据集提升约 3 倍。 该方法解决了 VLM 在无文本场景图时难以从像素提取结构化关系的问题,同时保留了一般视觉问答能力。

来源:arXiv · ML · arxiv.org