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

LLaVA-OneVision-2:迈向下一代感知智能

👍 27

把视频当码率流处理,codec-stream 在事件级定位上 +44.8。

Xiang An, Yin Xie, Feilong Tang, Yunyao Yan, Huajie Tan, Didi Zhu, Changrui... 2026-05-27
多模态大模型 感知智能 时序定位 视觉token压缩 视频理解
✅ 已总结
详情 →

MetaphorVU：迈向隐喻视频理解

👍 8

首个系统化的隐喻视频理解基准MetaphorVU-Bench与基于隐喻知识图谱的推理时增强框架MetaphorBoost

Zhuoqun Li, Boxi Cao, Guiping Jiang, Fangrui Lv, Ruotong Pan, Jianan Wang,... 2026-05-26
多模态大模型 知识图谱 视频理解 评测基准 隐喻理解
✅ 已总结
详情 →

ViMU：面向视频隐喻理解的基准测试

👍 13

首个无提示视频潜台词理解基准，揭示前沿多模态模型在讽刺、反讽与社会含义上的系统短板

Qi Li, Xinchao Wang 2026-05-15
基准测试 多模态大模型 社会语言学 视频理解 隐喻与反讽
✅ 已总结
详情 →

看见快与慢：学习视频中的时间流

👍 19

把时间做成可学习概念，教会模型感知并按指定播放速度生成视频

Yen-Siang Wu, Rundong Luo, Jingsen Zhu, Tao Tu, Ali Farhadi, Matthew... 2026-04-24
慢动作数据集 扩散模型 时间建模 自监督学习 视频理解
✅ 已总结
详情 →

先看再回答：从视觉基础的后训练中学习

👍 36

发现视频理解数据集严重依赖语言捷径，提出仅用视觉基础问题后训练提升模型性能

Yuxuan Zhang, EunJeong Hwang, Huaisong Zhang, Penghui Du, Yiming Jia, Dongfu... 2026-04-08
多模态学习 数据质量控制 视觉语言模型 视频理解 语言偏见
✅ 已总结
详情 →

ResAdapt：自适应分辨率的高效多模态推理框架

👍 20

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 →