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 109 条结果
相关性 | 日期

VGenST-Bench：基于主动视频合成的时空推理基准

👍 20

首个利用视频生成模型主动合成评测场景的MLLM时空推理基准，揭示当前模型从感知到高阶推理的性能鸿沟

Jinho Park, Youbin Kim, Hogun Park, Eunbyung Park 2026-05-25
主动合成 基准测试 多模态大语言模型 时空推理 视频生成
✅ 已总结
详情 →

X2SAM：图像与视频中的任意分割

👍 24

首个统一图像与视频的多模态大语言模型分割框架，支持14种分割任务与文本/视觉双提示。

Hao Wang, Limeng Qiao, Chi Zhang, Lin Ma, Guanglu Wan, Xiangyuan Lan, Xiaodan Liang 2026-05-06
像素级理解 图像分割 多模态大语言模型 视频分割 通用基础模型
✅ 已总结
详情 →

音频-视觉大语言模型真的能看见和听见吗？

👍 3

首项AVLLMs机械可解释性研究，揭示视觉主导的模态偏向机制

Ramaneswaran Selvakumar, Kaousheik Jayakumar, S Sakshi, Sreyan Ghosh, Ruohan... 2026-04-07
因果中介分析 多模态大语言模型 机械可解释性 模态偏见 注意力机制
✅ 已总结
详情 →

ResAdapt：自适应分辨率的高效多模态推理框架

👍 17

通过输入侧自适应分辨率分配，在消除90%视觉token的同时保持或超越基线性能

Huanxuan Liao, Zhongtao Jiang, Yupu Hao, Yuqiao Tan, Shizhu He, Jun Zhao,... 2026-03-31
多模态大语言模型 强化学习 自适应推理 视频理解 计算效率
✅ 已总结
详情 →