Intern-Decision 多模态决策模型论文
AI 总结
一篇新 arXiv 论文（Tong Zhu 等）提出 Intern-Decision，包含 0.8B、2B 和 4B 三个多模态决策模型，可从文本和可选图像返回结构化选项及候选概率。该方法在完整的助手 JSON 骨架中为每个字段放置一个决策占位符，并在一次因果前向传播中评估所有字段，真值符号仅用于监督。作者报告称，4B 模型在七个评测集上的未加权平均准确率为 90.02%，高于 Jev v1.13.0 的 88.74%；在单张 RTX 4090 上，固定 289 token、三字段请求的平均延迟为 44.16 毫秒；在 111 条 Jevbench-Hard 项目上，将 42 条交由 Atria-Dawn-Preview 处理，使准确率从 82/111 提升到 97/111。
深度见解
作者表示，这些结果支持将紧凑型决策模型作为大型智能体系统的实用组件；论文还指出，为每个选项生成自由文本回复会增加延迟，并使模型与环境之间的接口复杂化。
Computer Science > Computation and Language
arXiv:2610.22131 (cs)
[Submitted on 15 Oct 2026]
Title:Intern-Decision: Efficient Multimodal Decision Making with Autoregressive Masked Language Modeling
Authors:Tong Zhu, Zhe Xu, Zefeng He, Yunkai Chai, Xuyang Hu, Dehong Zheng, Yun Luo, Yafu Li, Qi Zhang, Yu Cheng
View a PDF of the paper titled Intern-Decision: Efficient Multimodal Decision Making with Autoregressive Masked Language Modeling, by Tong Zhu and 9 other authors