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

RIVER：面向视频大语言模型的实时交互基准

👍 7

首个系统评估视频LLM实时交互能力的基准，覆盖记忆、感知与主动响应

Yansong Shi, Qingsong Zhao, Tianxiang Jiang, Xiangyu Zeng, Yi Wang, Limin Wang 2026-03-05
在线交互 基准测试 大语言模型 实时推理 视频理解
✅ 已总结
详情 →

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 →

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 →

智能体驱动的超长视频理解

👍 22

提出EGAgent框架，通过实体场景图实现跨天超长视频的多跳推理问答

Aniket Rege, Arka Sadhu, Yuliang Li, Kejie Li, Ramya Korlakai Vinayak,... 2026-01-27
场景图 多模态推理 智能体 检索增强生成 视频理解
✅ 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 →

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 →

V-DPM：基于动态点图的4D视频重建

👍 11

将动态点图扩展到视频级多视角，实现单次前向传播的4D场景重建

Edgar Sucar, Eldar Insafutdinov, Zihang Lai, Andrea Vedaldi 2026-01-16
3D重建 4D重建 前馈网络 动态场景 点图表示
✅ 已总结
详情 →