VisualJigsaw团队 投稿 量子位 | 公众号 QbitAI 在多模态大模型的后训练浪潮中，强化学习驱动的范式已成为提升模型推理与通用能力的关键方向。 然而，大多数现有方法仍 以文本为中心 ，视觉部分常被动地作为辅助信号输入。相比之下，我们认为在后训练阶段重新审视 视觉自监督学 习 的潜力，设计 以视觉为中心 的后训练对于增强多模态大模型对于视觉信息本身的细粒度深入理解也同样至关重要。 为此，来自MMLab@南洋理工大学的最新论文 《Visual Jigsaw Post-Training Improves MLLMs》 提出了一种全新的针对多模态大模 型后训练任务- Visual Jigsaw 。 它将经典的自监督拼图任务重新设计为多模态大模型后训练阶段的核心目标，让模型在不依赖额外标注、也无需视觉生成模块的情况下，显式 强化自身的视觉感知与理解能力。在图片，视频，和3D三种视觉模态下都验证了其有效性。 Visual Jigsaw 方法简介 对于不同视觉模态，具体的Visual Jigsaw任务设计如下 Image Jigsaw： 图片在2D空间上被划分为 个相同大小的子图，打乱后模型需恢复正确的空间 ...