Zooming without Zooming v2（ZwZ2）、視覚的証拠の接続による汎化可能なマルチモーダル知覚の強化

EvidenceConnectは、単一画像内の関連領域の拡大ビューを使い、比較・集約・連鎖を要する質問を合成するデータ合成フレームワークである。これを用いてRLVRで学習したZwZ2は、ベンチマーク専用に調整していない合成データでありながら、きめ細かい知覚と空間知覚が向上し、エンボディドAIにおける空間推論、マルチモーダル長文脈理解、マルチモーダルエージェントタスク、一般的な視覚推論でも改善が見られたとされる。Hugging Faceには、inclusionAI/ZwZ2-27B、ZwZ2-9B、ZwZ2-4Bのモデルページが掲載されている。