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

面向流式视频理解的简洁基线方法

👍 69

仅用最近N帧喂给现成VLM，即可超越复杂记忆机制的流式视频模型。

Yujiao Shen, Shulin Tian, Jingkang Yang, Ziwei Liu 2026-04-06
基线研究 感知-记忆权衡 流式视频理解 视觉语言模型 视频问答
✅ 已总结
详情 →

CoME-VL：可扩展的互补式多编码器视觉语言学习框架

👍 5

通过熵引导层选择+正交融合+RoPE交叉注意力整合SigLIP与DINO双编码器，让VLM在视觉理解与定位任务上同时提升约5%

Ankan Deria, Komal Kumar, Xilin He, Imran Razzak, Hisham Cholakkal, Fahad... 2026-04-06
多模态大模型 多编码器融合 自监督视觉表征 视觉定位 视觉语言模型
✅ 已总结
详情 →

Falcon Perception：统一的密集视觉语言感知模型

👍 13

使用单一早期融合Transformer实现开放词汇分割和OCR，通过Chain-of-Perception接口实现高效密集感知。

Aviraj Bevli, Sofian Chaybouti, Yasser Dahou, Hakim Hacid, Ngoc Dung Huynh,... 2026-04-01
OCR 密集感知 开放词汇分割 早期融合 视觉语言模型
✅ 已总结
详情 →

重新思考多模态思维链的Token级策略优化

👍 25

PEPO：通过视觉感知与探索耦合的token级优势估计优化多模态推理

Yunheng Li, Hangyi Kuang, Hengrui Zhang, Jiangxia Cao, Zhaojie Liu, Qibin... 2026-03-25
多模态大模型 强化学习 推理优化 策略梯度 视觉语言模型
✅ 已总结
详情 →