![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-9xohk38a1NBwgx3oF9K8cm7K.png?st=2024-05-20T18%3A31%3A23Z&se=2024-05-20T20%3A31%3A23Z&sp=r&sv=2021-08-06&sr=b&rscd=inline&rsct=image\/png&skoid=6aaadede-4fb3-4698-a8f6-684d7786b067&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-05-20T10%3A22%3A53Z&ske=2024-05-21T10%3A22%3A53Z&sks=b&skv=2021-08-06&sig=zyNif9VavkQxGYqNnofmC4Su1Yw\/aLInUC%2BpWm%2BSf84%3D\")
<\/p>\n<\/p>\n
Les mod\u00e8les de type Large Vision-Language Models (VLMs) ont montr\u00e9 des capacit\u00e9s remarquables en tant qu’agents polyvalents capables de r\u00e9soudre une grande vari\u00e9t\u00e9 de t\u00e2ches en utilisant la pens\u00e9e langagi\u00e8re. L’am\u00e9lioration de leurs performances passe souvent par un ajustement fin avec des donn\u00e9es sp\u00e9cifiques de suivi d’instructions visuelles, une m\u00e9thode qui a prouv\u00e9 son efficacit\u00e9. Cependant, cette approche bas\u00e9e sur l’apprentissage supervis\u00e9 \u00e0 partir d’informations pr\u00e9alablement recueillies pr\u00e9sente des limitations, notamment dans des environnements interactifs multi-\u00e9tapes qui n\u00e9cessitent \u00e0 la fois compr\u00e9hension linguistique et reconnaissance visuelle.<\/p>\n
Pour contourner ces restrictions, l’apprentissage par renforcement (RL) offre une solution en optimisant les capacit\u00e9s d\u00e9cisionnelles des VLMs dans des situations complexes. Bien que le RL ait \u00e9t\u00e9 utilis\u00e9 pour former des agents sur des t\u00e2ches textuelles vari\u00e9es, il reste sous-utilis\u00e9 pour optimiser les VLMs pour des t\u00e2ches int\u00e9grant traitement du langage et visuel. <\/p>\n
Des recherches r\u00e9centes ont abouti \u00e0 un cadre algorithmique utilisant le RL pour optimiser les VLMs. Celui-ci fournit d’abord la description de la t\u00e2che au VLM, provoquant un raisonnement sous forme de cha\u00eene de pens\u00e9e (CoT). Ce stade est crucial car il permet au VLM d’examiner des \u00e9tapes interm\u00e9diaires de raisonnement menant \u00e0 l’action textuelle finale n\u00e9cessaire.<\/p>\n
Le texte produit par le VLM est ensuite transform\u00e9 en actions ex\u00e9cutables pour que l’agent interagisse avec son environnement. Les r\u00e9compenses obtenues via ces interactions permettent d’ajuster tout le VLM, am\u00e9liorant ainsi ses capacit\u00e9s d\u00e9cisionnelles. Les r\u00e9sultats empiriques des tests ont montr\u00e9 que ce mod\u00e8le renforce consid\u00e9rablement les performances des agents VLM dans les t\u00e2ches d\u00e9cisionnelles. Par exemple, il a permis \u00e0 un mod\u00e8le de 7 milliards de param\u00e8tres de surpasser les mod\u00e8les commerciaux populaires comme GPT-4V et Gemini.<\/p>\n
L’\u00e9quipe de chercheurs a soulign\u00e9 que ces avantages de performance sont dus \u00e0 la composante de raisonnement CoT. Sans celle-ci, les performances globales du mod\u00e8le diminuent consid\u00e9rablement, soulignant son r\u00f4le crucial dans l’am\u00e9lioration des capacit\u00e9s d\u00e9cisionnelles des VLMs par le biais du framework RL.<\/p>\n","protected":false},"excerpt":{"rendered":"
Les mod\u00e8les de type Large Vision-Language Models (VLMs) ont montr\u00e9 des capacit\u00e9s remarquables en tant qu’agents polyvalents capables de r\u00e9soudre une grande vari\u00e9t\u00e9 de t\u00e2ches en utilisant la pens\u00e9e langagi\u00e8re. L’am\u00e9lioration de leurs performances passe souvent par un ajustement fin avec des donn\u00e9es sp\u00e9cifiques de suivi d’instructions visuelles, une m\u00e9thode qui a prouv\u00e9 son efficacit\u00e9. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-15","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n