💡
原文中文，约4500字，阅读约需11分钟。
📝
内容提要
AIxiv专栏促进了学术交流，报道了2000多篇内容。尽管多模态大语言模型（MLLM）在简单任务上表现良好，但在复杂推理中仍显不足。本文提出集体蒙特卡罗树搜索（CoMCTS），通过多个模型协同学习推理路径，提升了MLLM的推理能力，并构建了Mulberry模型，显著提高了推理性能。
🎯
关键要点
- AIxiv专栏促进了学术交流，报道了2000多篇内容。
- 多模态大语言模型（MLLM）在复杂推理任务中表现不佳，缺乏中间推理能力。
- 提出集体蒙特卡罗树搜索（CoMCTS），通过多个模型协同学习推理路径，提升MLLM的推理能力。
- CoMCTS的优势在于联合扩展多个MLLM的推理路径，支持跨模型协同推理。
- CoMCTS通过结合正负推理节点构建反思推理数据，提升了推理能力。
- Mulberry模型在8个基准测试上取得了显著提升，验证了CoMCTS的有效性。
- CoMCTS的推理路径搜索包括扩展、模拟与错误定位、反向传播和选择四个关键操作。
- 实验结果显示，Mulberry模型在多个基准测试中优于现有模型，展现出竞争力。
- CoMCTS的消融实验验证了其设计的有效性，逐步引入更多模型提升成功率。
- CoMCTS在搜索效果和效率上具有显著优势，避免了陷入单一推理空间的困境。
➡️
