arXiv · NLP· Rohit Gandikota, Arnab Sen Sharma, Adam Belfki, David Bau·· 3 天前AI 评分40
Qwen3-VL 如何规划视觉语言模型的多步任务
How VLMs Plan What's Next
AI 导读
研究揭示 Qwen3-VL 通过绑定头、光标信号、选择步骤和注视头四部分机制规划视觉回答顺序,该机制在 2B 至 32B 模型中均成立。 因果干预验证显示该机制适用于不同输入格式、自然照片及多种语言,binding、relay 和 gaze 头存在于所有测试模型尺寸中。 此发现为研究模型在长程多步任务中的规划过程提供了新路径。
来源:arXiv · NLP · arxiv.org