Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence
Conan:基于多尺度视觉证据的逐步学习以像侦探一样推理
机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University(多媒体信息处理国家重点实验室,计算机学院,北京大学) ; WeChat AI, Tencent Inc., China(微信AI,腾讯公司,中国)
专题命中 视觉定位与Grounding :visual reasoning(abstract);grounding(abstract);multimodal large language model(abstract);分类 cs.CV
AI总结 Conan通过多阶段渐进冷启动策略和AIR RLVR框架,实现证据基础的多步视频推理,超越基线模型,达到最先进的性能。