연구진은 다중 모드 대규모 언어 모델의 시각적 결과 검증에 필수적인 메타 검증 기술을 연구했어요. 검증기에서 생성된 근거를 활용하고, 강화 학습 피드백을 훈련에 통합하는 방법을 모색했어요.
기호 검증기 출력(바운딩 박스)이 텍스트 설명보다 메타 검증 근거로 더 효과적이며, 모델 기반 보상 없이 규칙 기반 강화 학습 보상을 가능하게 한다는 점을 발견했어요.
이진 판단과 메타 검증을 위한 강화 학습 목표를 분리하면 성능이 향상되며, OmniVerifier-M1은 강력한 검증과 세밀한 오류 위치 파악을 제공하며 M1-TTS 에이전트 생성 시스템을 가능하게 해요.