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 102 条结果
相关性 | 日期

S-Agent：空间工具使用激发空间智能推理能力

👍 40

通过层次化空间工具和双记忆系统，将空间推理重构为时空证据积累过程，显著提升VLM的空间理解能力。

Yalun Dai, Hao Li, Shulin Tian, Runmao Yao, Yuhao Dong, Fangzhou Hong,... 2026-06-19
3D理解 多模态智能体 工具使用 空间推理 视频理解
✅ 已总结
详情 →

视频对象中心学习的选择性协同学习

👍 4

通过选择性协同学习解决视频对象分解中的编码器-解码器不匹配问题，提升性能并降低计算复杂度

WonJun Moon, Jae-Pil Heo 2026-06-19
对象中心学习 深度学习 自监督学习 视频理解
✅ 已总结
详情 →

推理再推理：跨视角重访提升空间推理能力

👍 30

提出一种推理-再推理的两阶段框架，通过合成新视角视频验证初始假设，提升第一人称视频空间推理精度。

Chaofan Ma, Zhenjie Mao, Yuhuan Yang, Fanqin Zeng, Yue Shi, Yingjie Zhou,... 2026-06-11
3D几何 多模态大语言模型 空间推理 视频理解 跨视角验证
✅ 已总结
详情 →

VideoKR：面向知识与推理密集型视频理解

👍 39

首个面向知识与推理密集型视频理解的大规模训练语料库，通过技能导向的QA生成框架和严格质量控制，显著提升模型在知识密集型视频推理任务上的表现

Lin Fu, Zheyuan Yang, Yang Wang, Tingyu Song, Arman Cohan, Yilun Zhao 2026-06-05
后训练 多模态学习 数据集构建 知识密集推理 视频理解
✅ 已总结
详情 →

迈向一对多时序定位

👍 7

首个一对多时序定位框架，解决现实视频中重复事件定位问题

Qi Xu, Yue Tan, Shihao Chen, Jiahao Meng, Anna Wang, Shunping Ji, Hao Fei, Jason Li 2026-06-05
多模态大模型 强化学习 时序定位 视频理解
✅ 已总结
详情 →

PEEK：通过高效知识蒸馏挑选关键帧

👍 20

通过两阶段知识蒸馏，将字幕条件的帧相关性蒸馏到轻量级视觉模型，实现无需文本的高效视频关键帧选择

Killian Steunou, Anas Filali Razzouki, Khalil Guetari, Mounîm A. El-Yacoubi,... 2026-06-01
帧选择 排序学习 知识蒸馏 视频字幕生成 视频理解
✅ 已总结
详情 →

EarlyTom：早期Token压缩实现快速视频理解

👍 32

通过视觉编码器内部帧合并和解耦空间选择，将视频LLM推理速度提升2.65倍

Hesong Wang, Xin Jin, Lu Lu, Chenhaowen Li, Jian Chen, Qiang Liu, Huan Wang 2026-05-29
Token压缩 推理加速 时域压缩 视频大语言模型 视频理解
✅ 已总结
详情 →