机器之心 (微信公众号)T2·78 分
RAVEL 免训练评测法提升多模态视觉编码器选型准确率
原标题：给多模态大模型选「眼睛」，两个简单改进让评测相关性接近翻倍
- 现有跨模态评测方法在候选视觉编码器规模扩大时性能显著下降，甚至弱于单模态方法。
- RAVEL 通过稳定化 PCA 白化和图像块级相似度计算两个改进，实现了免训练的高精度预测。
- RAVEL 的平均 Spearman 相关系数达 0.85，较此前免训练方法 GW 提升 93.5%，并开源了代码及 210 个 MLLM 权重。
返回热点榜
llm热度 9.9°
AI 聚合热点事件 · 2026/10/17
RAVEL 免训练评测法提升多模态视觉编码器选型准确率
1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/10/17 12:41:00
全景综述与最新动态
1 家信源交叉印证研究团队提出免训练评测方法 RAVEL，通过引入稳定化 PCA 白化和图像块级相似度计算，解决了现有跨模态指标在大规模候选池中性能下降的问题。实验显示，该方法无需额外训练即可实现高达 0.85 的 Spearman 相关系数，显著优于传统方法，为多模态大模型视觉编码器的高效选型提供了可靠基线。
最新动向/研究团队提出免训练评测方法 RAVEL，通过引入稳定化 PCA 白化和图像块级相似度计算，解决了现有跨模态指标在大规模候选池中性能下降的问题。实验显示，该方法无需额外训练即可实现高达 0.85 的 Spearman 相关系数，显著优于传统方法，为多模态大模型视觉编码器的高效选型提供了可靠基线。
热度曲线逐小时热度走势
2 个完整观测小时连续完整观测不足 3 个小时，暂不绘制趋势曲线。