此文提出VisRes Bench基准，系统评估视觉语言模型(VLM)的视觉推理能力。该基准包含感知补全、单属性规则和多属性组合三个递进层级，采用真实图像构建19000个四选一视觉选择题。实验发现，即使最先进的VLM在感知扰动下表现接近随机水平，尤其在空间属性识别和多属性组合推理上存在显著短板。分析表明，瓶颈主要在于视觉特征到符号语义的转换鸿沟。VisRes为多模态领域提供了首个覆盖感知-推理全链路

摘要： 本文系统综述了大型语言模型（LLMs）在联邦学习框架下的微调方法（FedLLM），聚焦其面临的四大挑战：通信开销、数据异质性、内存墙和计算开销。通过分析五类参数高效微调（PEFT）技术（基于LoRA、提示、适配器、选择性及其他方法），重点探讨了低秩适应（LoRA）的联邦优化策略，包括同构、异构和个性化配置方案。研究指出，FedLLM通过分布式隐私保护机制，在降低60%-90%通信负载的同时

摘要： 本文系统综述了大型语言模型（LLMs）在联邦学习框架下的微调方法（FedLLM），聚焦其面临的四大挑战：通信开销、数据异质性、内存墙和计算开销。通过分析五类参数高效微调（PEFT）技术（基于LoRA、提示、适配器、选择性及其他方法），重点探讨了低秩适应（LoRA）的联邦优化策略，包括同构、异构和个性化配置方案。研究指出，FedLLM通过分布式隐私保护机制，在降低60%-90%通信负载的同时