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 104 条结果
相关性 | 日期

面向可验证推理的多模态事实级归因

👍 4

提出 MURGAT 基准，评估 MLLM 在复杂推理中为每个事实提供精确多模态引用的能力

David Wan, Han Wang, Ziyang Wang, Elias Stengel-Eskin, Hyunji Lee, Mohit Bansal 2026-02-13
可信AI 多模态大语言模型 归因与引用 视频理解 评估基准
✅ 已总结
详情 →

UI-Venus-1.5：面向真实场景的统一端到端GUI智能体技术报告

👍 158

通过四阶段训练流程（中期训练、离线强化学习、在线强化学习、模型合并）构建统一的GUI智能体，在多个基准测试中达到SOTA

Veuns-Team, Changlong Gao, Zhangxuan Gu, Yulin Liu, Xinyu Qiu, Shuheng Shen,... 2026-02-11
GUI智能体 人机交互自动化 多模态大语言模型 强化学习 模型合并
✅ 已总结
详情 →

Demo-ICL：面向程序性视频知识获取的上下文学习

👍 28

提出Demo驱动的视频上下文学习任务与基准，通过两阶段训练提升MLLM从演示中学习新技能的能力

Yuhao Dong, Shulin Tian, Shuai Liu, Shuangrui Ding, Yuhang Zang, Xiaoyi... 2026-02-10
上下文学习 多模态大语言模型 教学视频 知识获取 视频理解
✅ 已总结
详情 →

多模态过程奖励模型的训练数据效率研究

👍 80

提出BIS评分筛选MPRM训练rollout，10%数据即可匹配全量性能

Jinyuan Li, Chengsong Huang, Langlin Huang, Shaoyang Xu, Haolin Liu, Wenxuan... 2026-02-05
多模态大语言模型 强化学习 数据选择 视觉推理 过程奖励模型
✅ 已总结
详情 →

指令锚点：解剖模态仲裁的因果动力学

👍 7

揭示指令令牌作为模态仲裁结构锚点，浅层缓冲深层仲裁的稀疏头机制

Yu Zhang, Mufan Xu, Xuefeng Bai, Kehai chen, Pengfei Zhang, Yang Xiang, Min Zhang 2026-02-04
可解释性 因果分析 多模态大语言模型 模态遵循 注意力机制
✅ 已总结
详情 →

AR-Omni：统一的自回归任意模态生成模型

👍 14

首个无需扩散解码器的统一自回归多模态模型，支持文本、图像、语音的任意到任意生成

Dongjie Cheng, Ruifeng Yuan, Yongqi Li, Runyang You, Wenjie Wang, Liqiang... 2026-01-27
图像生成 多模态大语言模型 统一模型 自回归生成 语音合成
✅ 已总结
详情 →

SAMTok：用两个词表示任意掩码

👍 44

将任意区域掩码压缩为两个离散token，让MLLM像学语言一样学像素级能力

Yikang Zhou, Tao Zhang, Dengxian Gong, Yuanzheng Wu, Ye Tian, Haochen Wang,... 2026-01-23
向量量化 图像分割 多模态大语言模型 强化学习 掩码词元化
✅ 已总结
详情 →

VIOLA：面向最少标注的视频上下文学习

👍 5

结合稀疏标注与伪标签的视频上下文学习框架，实现低资源场景下的高效适应

Ryo Fujii, Hideo Saito, Ryo Hachiuma 2026-01-23
上下文学习 主动学习 伪标签 多模态大语言模型 少样本学习
✅ 已总结
详情 →