AIDE：通过领域专家代理化改进视觉语言模型

视觉语言模型（VLMs）的提升传统上依赖于从更大、更强大的模型进行知识蒸馏。这种依赖导致了对提升最先进系统的根本性瓶颈，尤其是在不存在更优模型时。我们引入 AIDE（Agentic Improvement through Domain Experts），这是一种新型框架，使 VLMs 能够通过利用专门的领域专家模型来自主提升其能力。AIDE 通过四个阶段运行：（1）识别需要细化的实例，（2）与领域专家进行针对性分析，（3）综合专家输出与现有数据，（4）将增强后的实例集成到训练管道中。在多个基准测试（包括 MMMU、MME、MMBench 等）上的实验表明，AIDE 能够在不依赖更大的 VLMs 或人工监督的情况下实现显著的性能提升。我们的框架提供了一种可扩展、资源高效的持续 VLMs 改进方法，解决了当前方法的关键局限，特别是在没有更大模型可供访问时，这尤为重要。