统一语言推理与视觉想象,单模型端到端生成具身规划
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
纯扩散端到端模型,单次生成5分钟多语种歌曲并直接分离人声与伴奏双轨
为每个 token 分配独立的去噪进度时间,连续扩散在高加速比下超越离散方法。
将网格生成拆为顶点流与拓扑流两阶段,化解顶点-拓扑纠缠难题
通过AFM和ERD两个组件,在保持高真实感的同时实现多样化交通行为生成
像素空间扩散模型统一3D重建与生成,无需VAE/RAE,直接优化3D表示
感知流匹配:用于少步生成建模
👍 16通过在感知特征空间监督流匹配,将采样步数从35-50步减少到4-8步且保持质量
首个使用GRPO后训练的3D医学流匹配模型,实现可控胸部CT合成
用40M潜空间监视器检测动作漂移并在线纠错,让VLA动作时域自适应化。
提出GACR框架,通过观测锚定残差流和地理上下文对齐实现高保真、语义一致的云移除。
无需训练的多分辨率加速策略,实现10倍以上加速且质量损失小于1%
将离散网格拓扑转换为连续嵌入,用流匹配并行生成高质量网格
基于视觉-语言-动作模型与强化学习循环的双臂衣物折叠机器人系统,在模拟赛中获得第1名,在真实机器人决赛中获得第2名的优异成绩。
通过训练时范数约束抑制RL post-training的感知质量退化
用于机器人操作的世界价值模型
👍 7将世界模型作为机器人价值学习的基础,实现SOTA任务进度估计
通过流匹配学习奖励条件动作分布,统一密集监督与生成式规划
探索流匹配中奖励反向传播的设计空间
👍 10统一框架解决流匹配模型奖励反向传播的内存和梯度爆炸问题
通过速度编辑实现安全少步生成
👍 8提出VESFLOW,通过直接编辑速度场实现少步流匹配模型的安全生成
MeshFlow利用等变流匹配在亚秒级内生成高质量三角形网格。
通过人类偏好奖励条件化和专家迭代提升文本到音乐生成质量