Agentic VLMs に関する報道

この研究では、エージェント VLM トレーニングにおける重要な盲点が明らかになりました。つまり、最終的な回答のみに報酬を与え、ツール呼び出しプロセスを無視するため、「ツールは呼び出すが証拠は使用しない」モデルが結果として生じます。パスレベルの報酬の提案は、トレーニング パラダイムが「結果指向」から「プロセス制御可能」に移行していることを意味し、これは複雑な複数ステップの推論の信頼性を高めるために直接的な意味があります。