Цепочки и результаты: какие изменения в повышении качества обучения при оценке качества изображений на основе обоснований

arXiv:2610.33203v1 Видеотип: новое резюме: Укрепление обучения с поддающимися проверке ревардами (RLVR) позволило повысить эффективность крупных моделей зрения-лангуажа в области оценки качества изображений (IQA). Существующие подходы часто объясняют эти выгоды более точными рассуждениями, а не балльными оценками, подкрепленными все большей правдоподобностью (КОТ). Однако остается неясным, превышают ли эти выгоды эффект выборки и как они зависят от четких рассуждений. Мы тщательно исследуем эти вопросы с помощью анализа пробоотбора, контролируемого логического вмешательства и экспериментов по сокращению числа случаев. Мы видим, что модели RL, прошедшие обучение, превосходят базовые модели при крупнобюджетном названии {max}_g@k$ оценки, в то время как усовершенствования, выходящие за рамки усредненного показателя, сконцентрированы на распределении. РЛВР производит цепи, повышающие производительность базовых моделей при трансплантации и улучшающие балл с фиксированной цепочкой. Тем не менее балл становится меньше зависеть от цепочки во время вывода, более ясно 7B, чем 32В.