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 81 条结果
相关性 | 日期

混合饮食让DINO成为全能视觉编码器

👍 2

通过跨模态对齐将DINOv2转变为能统一处理RGB、深度、分割等多模态输入的视觉编码器

Rishabh Kabra, Maks Ovsjanikov, Drew A. Hudson, Ye Xia, Skanda Koppula,... 2026-03-13
对比学习 知识蒸馏 自监督学习 视觉编码器 跨模态学习
✅ 已总结
详情 →

LLM2Vec-Gen：从大语言模型生成式嵌入

👍 44

通过压缩LLM潜在响应生成输出空间嵌入，无需标注数据

Parishad BehnamGhader, Vaibhav Adlakha, Fabian David Schmidt, Nicolas... 2026-03-12
信息检索 大语言模型 文本嵌入 自监督学习 表征学习
✅ 已总结
详情 →

Utonia：迈向适用于所有点云的统一编码器

👍 187

首个跨域联合自监督预训练的点云统一编码器，用三个简洁设计解决域间不一致问题

Yujia Zhang, Xiaoyang Wu, Yunhan Yang, Xianzhe Fan, Han Li, Yuechen Zhang,... 2026-03-04
3D视觉 点云 统一模型 自监督学习 跨域迁移
✅ 已总结
详情 →

InfoNCE 损失诱导高斯分布

👍 14

证明对比学习中 InfoNCE 目标函数在高维表示空间中渐近诱导出高斯分布结构

Roy Betser, Eyal Gofer, Meir Yossef Levi, Guy Gilboa 2026-03-02
InfoNCE 对比学习 理论分析 自监督学习 表征学习
✅ 已总结
详情 →

Causal-JEPA：通过对象级潜在遮蔽学习世界模型

👍 11

将JEPA从图像块扩展到对象级表示，通过遮蔽诱导因果归纳偏置，实现高效交互感知的世界建模

Heejeong Nam, Quentin Le Lidec, Lucas Maes, Yann LeCun, Randall Balestriero 2026-02-18
世界模型 因果推理 对象表示 模型预测控制 自监督学习
✅ 已总结
详情 →

Olaf-World：为视频世界建模定向潜在动作

👍 27

通过序列级控制-效果对齐学习可迁移的潜在动作，实现跨场景零样本动作转移

Yuxin Jiang, Yuchao Gu, Ivor W. Tsang, Mike Zheng Shou 2026-02-11
动作可控生成 潜在动作学习 自监督学习 表示对齐 视频世界模型
✅ 已总结
详情 →

VideoWorld 2：从真实视频中学习可迁移知识

👍 14

通过动力学增强的潜在动力学模型，从无标签视频学习可迁移任务知识

Zhongwei Ren, Yunchao Wei, Xiao Yu, Guixun Luo, Yao Zhao, Bingyi Kang,... 2026-02-11
世界模型 机器人操作 自监督学习 视频生成 长时序推理
✅ 已总结
详情 →

面向 LLM 智能体的强化世界模型学习

👍 28

用自监督 RL 训练 LLM 成为动作条件的世界模型，提升智能体决策能力

Xiao Yu, Baolin Peng, Ruize Xu, Yelong Shen, Pengcheng He, Suman Nath,... 2026-02-06
GRPO LLM智能体 世界模型 强化学习 自监督学习
✅ 已总结
详情 →

面向空间感知的掩码深度建模

👍 30

将RGB-D相机缺失深度视为自然掩码，通过掩码建模学习联合几何-外观表征

Bin Tan, Changjiang Sun, Xiage Qin, Hanat Adai, Zelin Fu, Tianxiang Zhou,... 2026-01-27
RGB-D感知 机器人操控 深度估计 深度补全 自监督学习
✅ 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 →