给多模态大模型装上一双会“挑错”的眼睛

多模态大模型正从看图说话迈向复杂视觉推理，但视觉结果验证成了新瓶颈。研究人员构建了ViVerBench基准，涵盖六大类十六个子任务，发现现有模型在精细对齐、世界知识匹配和推理批评上短板明显。为此，团队训练出通用验证器OmniVerifier-7B，通过自动化数据生成与强化学习，在基准上提升8.3个百分点，甚至超越GPT-4o，还能以序列式测试时缩放不断迭代优化生成，让模型更可靠、更可控。

原文：arxiv.org