Rethinking RL Scaling for Vision Language Models: A Transparent, From-Scratch Framework and Comprehensive Evaluation Scheme
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Ma, Yan, Chern, Steffi, Shen, Xuyang, Zhong, Yiran, Liu, Pengfei |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
One RL to See Them All: Visual Triple Unified Reinforcement Learning
par: Ma, Yan, et autres
Publié: (2025)
par: Ma, Yan, et autres
Publié: (2025)
Thinking with Generated Images
par: Chern, Ethan, et autres
Publié: (2025)
par: Chern, Ethan, et autres
Publié: (2025)
Can Large Language Models be Trusted for Evaluation? Scalable Meta-Evaluation of LLMs as Evaluators via Agent Debate
par: Chern, Steffi, et autres
Publié: (2024)
par: Chern, Steffi, et autres
Publié: (2024)
ANOLE: An Open, Autoregressive, Native Large Multimodal Models for Interleaved Image-Text Generation
par: Chern, Ethan, et autres
Publié: (2024)
par: Chern, Ethan, et autres
Publié: (2024)
Rethinking Multilingual Vision-Language Translation: Dataset, Evaluation, and Adaptation
par: Wang, Xintong, et autres
Publié: (2025)
par: Wang, Xintong, et autres
Publié: (2025)
You Only Scan Once: Efficient Multi-dimension Sequential Modeling with LightNet
par: Qin, Zhen, et autres
Publié: (2024)
par: Qin, Zhen, et autres
Publié: (2024)
Evaluating Fairness in Large Vision-Language Models Across Diverse Demographic Attributes and Prompts
par: Wu, Xuyang, et autres
Publié: (2024)
par: Wu, Xuyang, et autres
Publié: (2024)
Rethinking Visual Dependency in Long-Context Reasoning for Large Vision-Language Models
par: Zhou, Yucheng, et autres
Publié: (2024)
par: Zhou, Yucheng, et autres
Publié: (2024)
VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models
par: Zhang, Ce, et autres
Publié: (2025)
par: Zhang, Ce, et autres
Publié: (2025)
MarsRetrieval: Benchmarking Vision-Language Models for Planetary-Scale Geospatial Retrieval on Mars
par: Wang, Shuoyuan, et autres
Publié: (2026)
par: Wang, Shuoyuan, et autres
Publié: (2026)
Enhancing Large Vision Language Models with Self-Training on Image Comprehension
par: Deng, Yihe, et autres
Publié: (2024)
par: Deng, Yihe, et autres
Publié: (2024)
LiveTalk: Real-Time Multimodal Interactive Video Diffusion via Improved On-Policy Distillation
par: Chern, Ethan, et autres
Publié: (2025)
par: Chern, Ethan, et autres
Publié: (2025)
Judging the Judges: Can Large Vision-Language Models Fairly Evaluate Chart Comprehension and Reasoning?
par: Laskar, Md Tahmid Rahman, et autres
Publié: (2025)
par: Laskar, Md Tahmid Rahman, et autres
Publié: (2025)
OpenVLThinker: Complex Vision-Language Reasoning via Iterative SFT-RL Cycles
par: Deng, Yihe, et autres
Publié: (2025)
par: Deng, Yihe, et autres
Publié: (2025)
Guiding Medical Vision-Language Models with Explicit Visual Prompts: Framework Design and Comprehensive Exploration of Prompt Variations
par: Zhu, Kangyu, et autres
Publié: (2025)
par: Zhu, Kangyu, et autres
Publié: (2025)
EffiVLM-BENCH: A Comprehensive Benchmark for Evaluating Training-Free Acceleration in Large Vision-Language Models
par: Wang, Zekun, et autres
Publié: (2025)
par: Wang, Zekun, et autres
Publié: (2025)
Evaluating Vision-Language Models as Evaluators in Path Planning
par: Aghzal, Mohamed, et autres
Publié: (2024)
par: Aghzal, Mohamed, et autres
Publié: (2024)
Halu-J: Critique-Based Hallucination Judge
par: Wang, Binjie, et autres
Publié: (2024)
par: Wang, Binjie, et autres
Publié: (2024)
NPHardEval4V: Dynamic Evaluation of Large Vision-Language Models with Effects of Vision
par: Li, Xiang, et autres
Publié: (2024)
par: Li, Xiang, et autres
Publié: (2024)
AutoPresent: Designing Structured Visuals from Scratch
par: Ge, Jiaxin, et autres
Publié: (2025)
par: Ge, Jiaxin, et autres
Publié: (2025)
Rethinking Comprehensive Benchmark for Chart Understanding: A Perspective from Scientific Literature
par: Shen, Lingdong, et autres
Publié: (2024)
par: Shen, Lingdong, et autres
Publié: (2024)
Rethinking Bottlenecks in Safety Fine-Tuning of Vision Language Models
par: Ding, Yi, et autres
Publié: (2025)
par: Ding, Yi, et autres
Publié: (2025)
NaturalBench: Evaluating Vision-Language Models on Natural Adversarial Samples
par: Li, Baiqi, et autres
Publié: (2024)
par: Li, Baiqi, et autres
Publié: (2024)
AlignMMBench: Evaluating Chinese Multimodal Alignment in Large Vision-Language Models
par: Wu, Yuhang, et autres
Publié: (2024)
par: Wu, Yuhang, et autres
Publié: (2024)
A Comprehensive Analysis for Visual Object Hallucination in Large Vision-Language Models
par: Jing, Liqiang, et autres
Publié: (2025)
par: Jing, Liqiang, et autres
Publié: (2025)
Evaluating Vision-Language Models for Emotion Recognition
par: Bhattacharyya, Sree, et autres
Publié: (2025)
par: Bhattacharyya, Sree, et autres
Publié: (2025)
Evaluation of Cultural Competence of Vision-Language Models
par: Yadav, Srishti, et autres
Publié: (2025)
par: Yadav, Srishti, et autres
Publié: (2025)
VEGA: Learning Interleaved Image-Text Comprehension in Vision-Language Large Models
par: Zhou, Chenyu, et autres
Publié: (2024)
par: Zhou, Chenyu, et autres
Publié: (2024)
Scaling RL to Long Videos
par: Chen, Yukang, et autres
Publié: (2025)
par: Chen, Yukang, et autres
Publié: (2025)
HPE-CogVLM: Advancing Vision Language Models with a Head Pose Grounding Task
par: Tian, Yu, et autres
Publié: (2024)
par: Tian, Yu, et autres
Publié: (2024)
SynthRL: Scaling Visual Reasoning with Verifiable Data Synthesis
par: Wu, Zijian, et autres
Publié: (2025)
par: Wu, Zijian, et autres
Publié: (2025)
ScratchEval: Are GPT-4o Smarter than My Child? Evaluating Large Multimodal Models with Visual Programming Challenges
par: Fu, Rao, et autres
Publié: (2024)
par: Fu, Rao, et autres
Publié: (2024)
S-GRPO: Unified Post-Training for Large Vision-Language Models
par: Yan, Yuming, et autres
Publié: (2026)
par: Yan, Yuming, et autres
Publié: (2026)
What Does Vision Tool-Use Reinforcement Learning Really Learn? Disentangling Tool-Induced and Intrinsic Effects for Crop-and-Zoom
par: Ma, Yan, et autres
Publié: (2026)
par: Ma, Yan, et autres
Publié: (2026)
Anatomical Structure-Guided Medical Vision-Language Pre-training
par: Li, Qingqiu, et autres
Publié: (2024)
par: Li, Qingqiu, et autres
Publié: (2024)
Can Vision-Language Models Evaluate Handwritten Math?
par: Nath, Oikantik, et autres
Publié: (2025)
par: Nath, Oikantik, et autres
Publié: (2025)
Instruction-Following Evaluation of Large Vision-Language Models
par: Shiono, Daiki, et autres
Publié: (2025)
par: Shiono, Daiki, et autres
Publié: (2025)
FlightGPT: Towards Generalizable and Interpretable UAV Vision-and-Language Navigation with Vision-Language Models
par: Cai, Hengxing, et autres
Publié: (2025)
par: Cai, Hengxing, et autres
Publié: (2025)
From Behavioral Performance to Internal Competence: Interpreting Vision-Language Models with VLM-Lens
par: Sheta, Hala, et autres
Publié: (2025)
par: Sheta, Hala, et autres
Publié: (2025)
Visual In-Context Learning for Large Vision-Language Models
par: Zhou, Yucheng, et autres
Publié: (2024)
par: Zhou, Yucheng, et autres
Publié: (2024)
Documents similaires
-
One RL to See Them All: Visual Triple Unified Reinforcement Learning
par: Ma, Yan, et autres
Publié: (2025) -
Thinking with Generated Images
par: Chern, Ethan, et autres
Publié: (2025) -
Can Large Language Models be Trusted for Evaluation? Scalable Meta-Evaluation of LLMs as Evaluators via Agent Debate
par: Chern, Steffi, et autres
Publié: (2024) -
ANOLE: An Open, Autoregressive, Native Large Multimodal Models for Interleaved Image-Text Generation
par: Chern, Ethan, et autres
Publié: (2024) -
Rethinking Multilingual Vision-Language Translation: Dataset, Evaluation, and Adaptation
par: Wang, Xintong, et autres
Publié: (2025)