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 124 条结果
相关性 | 日期

PEEK：通过高效知识蒸馏挑选关键帧

👍 16

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

👍 9

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 →

LLaVA-OneVision-2:迈向下一代感知智能

👍 23

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

👍 4

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

👍 11

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

👍 33

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 →