Otimização de Política Multirramificada para Grandes Modelos de Linguagem Multimodais

arXiv:2608.07581v1 Tipo de Anúncio: novo Resumo: Os métodos de aprendizado por reforço baseados em grupos para grandes modelos de linguagem multimodais normalmente dependem da atribuição de crédito em nível de trajetória, que aplica uma única vantagem a todos os tokens de uma resposta. No entanto, o raciocínio multimodal envolve uma incerteza perceptiva substancialmente maior do que os cenários apenas de texto, nos quais o modelo precisa reexaminar repetidamente as informações visuais para verificar interpretações intermediárias, e diferentes ancoragens visuais podem levar a dive...