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

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

👍 75

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

👍 30

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

👍 61

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 →

Action100M：大规模视频动作数据集

👍 33

构建1.47亿动作片段的大规模视频动作数据集，显著提升零样本动作识别性能

Delong Chen, Tejaswi Kasarla, Yejin Bang, Mustafa Shukor, Willy Chung, Jade... 2026-01-16
动作识别 数据集构建 自监督学习 视觉语言模型 视频理解
✅ 已总结
详情 →