IXThinker·2025-06-19 17:00

GRIT僅20樣本教會多模態模型看圖思考

讓多模態大語言模型真正看圖思考迎來新突破。加州大學聖克魯茲分校團隊開源GRIT方法，只需20個訓練樣本，就能令模型生成結合自然語言與圖像框座標的推理鏈，在多模態任務上表現優越。

推理鏈的不足

現有開源多模態推理模型的推理鏈幾乎全是自然語言，看似內容很長，實際可能脫離圖像資訊，未能真正看圖說話，缺乏對圖像內容的顯式引用與整合。