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 313 条结果
相关性 | 日期

大模型时代的音视觉智能：一项综合性综述

👍 32

首篇系统综述大模型时代音视觉感知/生成/交互三大支柱的统一分类法与方法论

You Qin, Kai Liu, Shengqiong Wu, Kai Wang, Shijian Deng, Yapeng Tian, Junbin... 2026-05-08
全模态对话 具身智能 多模态大模型 综述 音视频生成
✅ 已总结
详情 →

MiniCPM-o 4.5：迈向实时全双工全模态交互

👍 65

9B参数全双工全模态模型，<12GB内存实现实时听说看同步

Junbo Cui, Bokai Xu, Chongyi Wang, Tianyu Yu, Weiyue Sun, Yingjing Xu,... 2026-05-07
全双工交互 多模态大模型 流式推理 端侧部署 语音生成
✅ 已总结
详情 →

让视觉Transformer开口说话：生成式语言-图像预训练

👍 32

用单一Transformer让ViT直接预测文本token，省去对比损失和文本解码器，5倍数据效率超越SigLIP2。

Yan Fang, Mengcheng Lan, Zilong Huang, Weixian Lei, Yunqing Zhao, Yujie... 2026-05-04
Vision Transformer 多模态大模型 生成式预训练 自回归语言建模 视觉编码器预训练
✅ 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 →

从生成视角探索空间智能

👍 22

提出 GSI-Bench：首个生成式空间智能基准，仿真训练可提升空间编辑与理解。

Muzhi Zhu, Shunyao Jiang, Huanyi Zheng, Zekai Luo, Hao Zhong, Anzhou Li,... 2026-04-23
Sim2Real 图像编辑 基准评测 多模态大模型 生成式空间智能
✅ 已总结
详情 →

通过工具监督强化学习实现视觉推理

👍 4

用两阶段RL课程让多模态大模型自主掌握视觉工具调用以解决复杂视觉推理

Qihua Dong, Gozde Sahin, Pei Wang, Zhaowei Cai, Robik Shrestha, Hao Yang,... 2026-04-23
GRPO 多模态大模型 工具调用 强化学习 视觉推理
✅ 已总结
详情 →