Caption First, VQA Second: Knowledge Density, Not Task Format, Drives Multimodal Scaling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zou, Hongjian, Ge, Yue, Ding, Qi, Liao, Yixuan, Chen, Xiaoxin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language Artificial Intelligence Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Online

https://arxiv.org/abs/2604.13054