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

视觉语言模型中的上下文视觉个性化

👍 3

提出CoViP框架，通过个性化图像摘要和强化学习实现上下文视觉个性化

Yeongtak Oh, Sangwon Yu, Junsung Park, Han Cheol Moon, Jisoo Mok, Sungroh Yoon 2026-02-04
上下文理解 个性化 多模态学习 强化学习 视觉语言模型
✅ 已总结
详情 →

PRISM：从数据中学习设计知识以实现风格化设计改进

👍 1

通过聚类-对比学习-检索增强生成的三阶段框架，从设计数据中提取风格知识以指导风格化设计改进。

Huaxiaoyue Wang, Sunav Choudhary, Franck Dernoncourt, Yu Shen, Stefano Petrangeli 2026-01-30
图形设计 对比学习 检索增强生成 视觉语言模型 风格迁移
✅ 已总结
详情 →

DeepSeek-OCR 2：视觉因果流

👍 73

用LLM式编码器实现视觉token的因果重排序，突破文档OCR的语义理解瓶颈

Haoran Wei, Yaofeng Sun, Yukun Li 2026-01-29
OCR 因果推理 文档解析 注意力机制 视觉语言模型
✅ 已总结
详情 →

Youtu-VL: 通过统一视觉-语言监督释放视觉潜能

👍 44

提出VLUAS范式，将视觉信号从被动输入转变为生成目标，实现标准VLM统一处理多模态和视觉任务

Zhixiang Wei, Yi Li, Zhehan Kan, Xinghua Jiang, Zuwei Long, Shifeng Liu,... 2026-01-28
多模态大模型 统一架构 自回归生成 视觉感知 视觉语言模型
✅ 已总结
详情 →

未来光流预测提升机器人控制与视频生成

👍 19

统一VLM-Diffusion架构从网络视频学习语言驱动的未来光流预测，赋能机器人操控和视频生成

Kanchana Ranasinghe, Honglu Zhou, Yu Fang, Luyu Yang, Le Xue, Ran Xu,... 2026-01-19
光流预测 扩散模型 机器人操控 视觉语言模型 视频生成
✅ 已总结
详情 →

VIBE：基于视觉指令的图像编辑器

👍 64

紧凑高效的指令式图像编辑系统，2B VLM+1.6B扩散模型，4秒生成2K图像

Grigorii Alekseenko, Aleksandr Gordeev, Irina Tolstykh, Bulat Suleimanov,... 2026-01-16
图像编辑 扩散模型 指令跟随 视觉语言模型 高效推理
✅ 已总结
详情 →