Jiawei Wang, Yucun Li, Xueqi Li, Shenghao Wang, Xinquan Gong, Dan Zhang, Zheqi Lv, Yuquan Le · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28386 · open-access PDF
L'utilisation d'outils visuels permet aux modèles de langage de vision (VLM) d'acquérir des preuves pertinentes pour les tâches, mais leur efficacité peut être limitée par les opérations visuelles prédéfinies et les stratégies d'utilisation des outils apprises au cours de la formation. Représenter ces opérations et stratégies comme des compétences externes réutilisables leur permet d'être raffinées par l'auto-évolution sans mettre à jour les paramètres du modèle. Cependant, le raffinement des compétences peut introduire des régressions de performance. Pendant ce temps, l'inspection des trajectoires d'exécution des tâches accumulées avec l'histoire de l'évolution des compétences peut conduire à une surcharge de pre
Machine translation (Meta M2M100); the English original follows.
Visual tool use enables vision-language models (VLMs) to acquire task-relevant evidence, but its effectiveness can be limited by predefined visual operations and the tool-use strategies learned during training. Representing these operations and strategies as reusable external skills allows them to be refined through self-evolution without updating model parameters. However, skill refinement can introduce performance regressions. Meanwhile, inspecting accumulated task execution trajectories together with skill evolution history may lead to evolution evidence overload. To address these challenge
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28386, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange