// AI 新闻 · 2026-11-01 · Towards Data Science
图像标注优于提示优化提升视觉模型表现
在EMNLP 2026于布达佩斯举行的研讨会上，研究团队通过SPaRC基准测试发现，当视觉语言模型在图像任务中表现不佳时，优先改进图像标注比优化提示更有效。实验显示，将起始点和终点标记为S和E，使Qwen 3.5 397B的准确率从14.4%提升至32.6%，显著优于其他标注方式。
原文发布 2026-11-01 22:00（北京时间）来源 Towards Data Science自动整理 · 已核对原文
01摘要
关键发现表明，仅添加坐标或网格线等通用标注效果有限，甚至可能干扰模型理解。真正有效的标注能解决模型无法识别特定元素的问题，并将图像内容与任务语言（如'起点'、'终点'、坐标格式）建立明确联系，从而帮助模型完成路径规划任务。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 在SPaRC基准测试中，添加起始点和终点标签使Qwen 3.5 397B准确率从14.4%提升至32.6%
- 行号与列号标注对多数模型帮助有限，部分情况下反而降低模型识别能力
- 图像中打印坐标或直接标注关键符号可显著提升模型对路径起点终点的识别准确率
- 模型在原始图像上难以正确识别起止点，标注后相关错误率从11.8%降至约90%
03原文出处
Towards Data Science · 发布于 2026-11-01 22:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-01 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日