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 视觉语言模型 世界模型 GRPO 多模态大模型 知识蒸馏 LLM智能体 多智能体系统 智能体 多模态学习 流匹配 具身智能 图像生成 基准评测 代码生成 LLM Agent 检索增强生成 注意力机制 机器人操作 多模态大语言模型 视频理解 可解释性 数学推理 图像编辑 多模态 机器人学习 RLVR 自监督学习 长上下文 后训练 Transformer 工具使用 对比学习 数据合成 视觉-语言-动作模型 推理加速 工具调用 LoRA 多模态推理 RAG 计算机视觉 LLM评估 信息检索 视觉推理 评测基准 高效推理 参数高效微调 扩散语言模型 自蒸馏 综述 Flow Matching 3D重建 模型压缩 自回归生成 持续学习 自回归模型
找到 272 条结果
相关性 | 日期

多模态OCR：解析文档中的一切内容

👍 46

将文档中的文字和图形统一解析为可渲染的结构化代码，而非像素裁剪

Handong Zheng, Yumeng Li, Kaile Zhang, Liang Xin, Guangwei Zhao, Hao Liu,... 2026-03-16
OCR SVG重建 多模态 文档解析 视觉语言模型
✅ 已总结
详情 →

基于离线强化学习的图像风格化推理代理规划

👍 3

用工具式代理+链式推理替代直接提示，训练小型VLM规划器提升复杂图像编辑质量

Subhojyoti Mukherjee, Stefano Petrangeli, Branislav Kveton, Trung Bui,... 2026-03-10
代理规划 图像编辑 图像风格化 思维链推理 离线强化学习
✅ 已总结
详情 →

大型多模态模型作为通用上下文分类器

👍 27

LMM 通过上下文学习匹配 CLIP 分类能力，CIRCLE 迭代伪标签进一步提升

Marco Garosi, Matteo Farina, Alessandro Conti, Massimiliano Mancini, Elisa Ricci 2026-03-06
上下文学习 图像分类 多模态学习 开放世界识别 视觉语言模型
✅ 已总结
详情 →