跳到正文
arXiv · ML· Zhaoning Zhang·· 7 天前AI 评分21

AROMA: 面向视觉语言模型控制的自适应表征导向多模态驱动方法

AROMA: Adaptive Representation-Oriented Multimodal Actuation for Vision-Language Model Control

AI 导读

AROMA 提出冻结 VLM 控制框架,在 Llama-3.2-11B-Vision-Instruct 上,四维因果验证将程序化数据精确计数准确率提升 8.00 pp。 迭代最小努力驱动(MEA)达到 81.25% 的 oracle 目标,优于固定方向的 15.18%;在 7,992 个样本中,仅编辑 63 个输入即取得 65.741% 准确率。

来源:arXiv · ML · arxiv.org