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 144 条结果
相关性 | 日期

基于视频的计算机使用代理奖励建模

👍 43

用执行视频训练奖励模型评估计算机代理任务成功率

Linxin Song, Jieyu Zhang, Huanxin Sheng, Taiwei Shi, Gupta Rahul, Yang Liu,... 2026-03-13
GUI代理 多模态学习 奖励建模 视频理解 计算机使用代理
✅ 已总结
详情 →

CodePercept：基于代码的视觉STEM感知增强方法

👍 15

通过可执行代码作为感知媒介，系统性提升多模态大模型在STEM领域的视觉理解能力

Tongkun Guan, Zhibo Yang, Jianqiang Wan, Mingkun Yang, Zhengtao Guo, Zijian... 2026-03-12
STEM推理 代码生成 多模态学习 强化学习 视觉感知
✅ 已总结
详情 →

Holi-Spatial：将视频流演化为整体3D空间智能

👍 87

首个全自动大规模空间感知多模态数据集构建流水线，从原始视频生成高质量3D空间标注。

Yuanyuan Gao, Hao Li, Yifei Liu, Xinhao Ji, Yuning Gong, Yuanjun Liao,... 2026-03-10
3D重建 多模态学习 数据集构建 空间智能 计算机视觉
✅ 已总结
详情 →

大型多模态模型作为通用上下文分类器

👍 27

LMM 通过上下文学习匹配 CLIP 分类能力，CIRCLE 迭代伪标签进一步提升

Marco Garosi, Matteo Farina, Alessandro Conti, Massimiliano Mancini, Elisa Ricci 2026-03-06
上下文学习 图像分类 多模态学习 开放世界识别 视觉语言模型
✅ 已总结
详情 →

通过概念空间对齐的统一视觉-语言建模

👍 6

将Sonar文本嵌入空间扩展到图像和视频，实现多模态统一的潜空间推理模型

Yifu Qiu, Paul-Ambroise Duquenne, Holger Schwenk 2026-03-03
多模态学习 多语言处理 嵌入空间对齐 扩散模型 视觉-语言建模
✅ 已总结
详情 →

三模态掩码扩散模型的设计空间

👍 4

首个统一文本、图像、音频的三模态掩码扩散模型，通过SDE参数化消除最优批量大小搜索

Louis Bethune, Victor Turrisi, Bruno Kacper Mlodozeniec, Pau Rodriguez... 2026-02-26
多模态学习 扩散模型 文本到图像生成 离散扩散 缩放定律
✅ 已总结
详情 →

EgoAVU：自我中心音视频理解

👍 12

构建自动化数据引擎生成自我中心音视频问答数据，解决现有MLLMs音视频联合理解不足的问题

Ashish Seth, Xinhao Mei, Changsheng Zhao, Varun Nagaraja, Ernie Chang,... 2026-02-09
多模态学习 指令微调 数据引擎 自我中心视频 音视频理解
✅ 已总结
详情 →

视觉语言模型中的上下文视觉个性化

👍 3

提出CoViP框架，通过个性化图像摘要和强化学习实现上下文视觉个性化

Yeongtak Oh, Sangwon Yu, Junsung Park, Han Cheol Moon, Jisoo Mok, Sungroh Yoon 2026-02-04
上下文理解 个性化 多模态学习 强化学习 视觉语言模型
✅ 已总结
详情 →