ETCHR：通过编辑澄清与驾驭推理，提升多模态大语言模型视觉推理能力
原帖
**ETCHR：通过编辑澄清与驾驭推理**
_ETCHR: Editing To Clarify and Harness Reasoning_
> 针对多模态大语言模型在视觉推理中纯文本思维链的局限性，该论文提出了ETCHR（Editing To Clarify and Harness Reasoning）。这是一个与理解模型解耦的、问题条件化、推理感知的图像编辑器，旨在解决现有图像编辑器作为推理助手时存在的语言端与生成端差距。通过两阶段训练方法，ETCHR能在不同MLLM（如Qwen3-VL-8B、Gemini-3.1-Flash-Lite、Kimi K2.5）上以无训练方式显著提升多个视觉推理任务的准确率。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.23897)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
这篇来自HuggingFace Daily Papers的论文介绍了ETCHR方法，它是一个问题条件化、推理感知的图像编辑器，旨在解决现有图像编辑器作为推理助手时存在的语言端与生成端差距。通过两阶段训练方法，ETCHR能在Qwen3-VL-8B、Gemini-3.1-Flash-Lite、Kimi K2.5等MLLM上以无训练方式显著提升多个视觉推理任务的准确率。
答案说明
ETCHR是一种针对多模态大语言模型视觉推理的图像编辑方法，通过与理解模型解耦的编辑器来澄清和驾驭推理过程，能在不同MLLM上无训练地提升视觉推理准确率。
这篇帖子回答的问题
- ETCHR方法的核心目标是什么？
- ETCHR方法在哪些模型上进行了验证？
核心观点
- ETCHR通过与理解模型解耦的问题条件化图像编辑器，解决了视觉推理中纯文本思维链的局限性
- 该方法通过两阶段训练，在多个MLLM上以无训练方式显著提升视觉推理任务准确率
FAQ
- Q: ETCHR方法的核心创新是什么？
- A: ETCHR的核心创新在于提出了一个与理解模型解耦的、问题条件化、推理感知的图像编辑器，用于解决视觉推理中纯文本思维链的局限性
关键实体
- ETCHR
- Qwen3-VL-8B
- Gemini-3.1-Flash-Lite