计算机科学 > 计算机视觉与模式识别
[提交于 2026年1月6日
]
标题: 理解大型语言模型在卡通视觉问答中的多智能体推理
标题: Understanding Multi-Agent Reasoning with Large Language Models for Cartoon VQA
摘要: 视觉问答(VQA)用于风格化的卡通图像面临挑战,例如解释夸张的视觉抽象和叙事驱动的上下文,这些在标准大型语言模型(LLMs)上无法得到充分解决,这些模型是在自然图像上训练的。 为研究这一问题,引入了一个多智能体LLM框架,专门设计用于卡通图像中的VQA任务。 所提出的架构包括三个专业智能体:视觉智能体、语言智能体和批评智能体,它们协同工作,通过整合视觉线索和叙事上下文来支持结构化推理。 该框架在两个基于卡通的VQA数据集:Pororo和Simpsons上进行了系统评估。 实验结果提供了对每个智能体如何贡献最终预测的详细分析,加深了对基于LLM的多智能体行为在卡通VQA和多模态推理中的理解。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.