标签： 全部 强化学习 扩散模型 大语言模型 基准测试 视频生成 LLM智能体 世界模型 视觉语言模型 GRPO 多模态大模型 知识蒸馏 基准评测 具身智能 流匹配 机器人操作 多智能体系统 智能体 LLM Agent 可解释性 图像生成 代码生成 多模态学习 检索增强生成 注意力机制 RLVR 后训练 视频理解 机器人学习 长上下文 多模态 数学推理 图像编辑 VLA 数据合成 多模态大语言模型 推理加速 高效推理 评测基准 自监督学习 工具调用 对比学习 扩散语言模型 视觉-语言-动作模型 参数高效微调 Transformer 工具使用 LoRA 持续学习 LLM评估 自蒸馏 多模态推理 RAG 模仿学习 综述 LLM推理 信息检索 信用分配 在线策略蒸馏 模型压缩 合成数据
找到 329 条结果
相关性 | 日期

AutoGUI-v2：面向 GUI 功能理解的多模态综合基准

👍 3

首个跨六系统、评估 GUI 区域与元素功能理解及交互结果预测的大规模基准

Hongxin Li, Xiping Wang, Jingran Su, Zheng Ju, Yuntao Chen, Qing Li, Zhaoxiang Zhang 2026-04-29
GUI智能体 人机交互 功能理解 基准测试 视觉语言模型
✅ 已总结
详情 →

LLaTiSA：从视觉感知到语义理解的难度分层时间序列推理

👍 13

提出L1-L4四层时间序列推理认知分类法，构建8.3万样本HITSR数据集，并基于Qwen3-VL训练双视图（折线图+索引-数值表）的LLaTiSA模型，通过三阶段课程微调在L1-L3 OOD任务上大幅超越GPT-4o等基线。

Yueyang Ding, HaoPeng Zhang, Rui Dai, Yi Wang, Tianyu Zong, Kaikui Liu,... 2026-04-24
多模态大模型 推理基准 时间序列 视觉语言模型 课程学习
✅ 已总结
详情 →

多模态视觉语言模型中的人类区域适应性研究

👍 16

提出GG-EZ框架通过区域数据过滤与模型合并实现视觉语言模型的区域适配且保留全局能力

Samuel Cahyawijaya, Peerat Limkonchotiwat, Tack Hwa Wong, Hitesh Laxmichand... 2026-04-16
东南亚 全球化因子 区域适配 文化对齐 模型合并
✅ 已总结
详情 →

DiningBench:面向饮食领域感知与推理的分层多视角基准

👍 3

用 3021 道菜、5.27 张/菜的多视角图,系统评测 29 个视觉语言模型在精细分类、营养估计与饮食 VQA 三大任务上的真实能力。

Song Jin, Juntian Zhang, Xun Zhang, Zeying Tian, Fei Jiang, Guojun Yin, Wei... 2026-04-14
Chain-of-Thought VQA 基准测试 多视角 细粒度识别
✅ 已总结
详情 →

先看再回答：从视觉基础的后训练中学习

👍 33

发现视频理解数据集严重依赖语言捷径，提出仅用视觉基础问题后训练提升模型性能

Yuxuan Zhang, EunJeong Hwang, Huaisong Zhang, Penghui Du, Yiming Jia, Dongfu... 2026-04-08
多模态学习 数据质量控制 视觉语言模型 视频理解 语言偏见
✅ 已总结
详情 →

Vero：通用视觉推理的开放强化学习训练框架

👍 30

提出完全开源的视觉推理训练方案，通过六类任务的多任务RL实现广泛能力提升

Gabriel Sarch, Linrong Cai, Qunzhong Wang, Haoyang Wu, Danqi Chen, Zhuang Liu 2026-04-07
多任务学习 开放源代码 强化学习 视觉推理 视觉语言模型
✅ 已总结
详情 →