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 272 条结果
相关性 | 日期

先看再回答：从视觉基础的后训练中学习

👍 36

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 →

Vero：通用视觉推理的开放强化学习训练框架

👍 34

提出完全开源的视觉推理训练方案，通过六类任务的多任务RL实现广泛能力提升

Gabriel Sarch, Linrong Cai, Qunzhong Wang, Haoyang Wu, Danqi Chen, Zhuang Liu 2026-04-07
多任务学习 开放源代码 强化学习 视觉推理 视觉语言模型
✅ 已总结
详情 →

面向流式视频理解的简洁基线方法

👍 74

仅用最近N帧喂给现成VLM，即可超越复杂记忆机制的流式视频模型。

Yujiao Shen, Shulin Tian, Jingkang Yang, Ziwei Liu 2026-04-06
基线研究 感知-记忆权衡 流式视频理解 视觉语言模型 视频问答
✅ 已总结
详情 →

CoME-VL：可扩展的互补式多编码器视觉语言学习框架

👍 7

通过熵引导层选择+正交融合+RoPE交叉注意力整合SigLIP与DINO双编码器，让VLM在视觉理解与定位任务上同时提升约5%

Ankan Deria, Komal Kumar, Xilin He, Imran Razzak, Hisham Cholakkal, Fahad... 2026-04-06
多模态大模型 多编码器融合 自监督视觉表征 视觉定位 视觉语言模型
✅ 已总结
详情 →

Falcon Perception：统一的密集视觉语言感知模型

👍 17

使用单一早期融合Transformer实现开放词汇分割和OCR，通过Chain-of-Perception接口实现高效密集感知。

Aviraj Bevli, Sofian Chaybouti, Yasser Dahou, Hakim Hacid, Ngoc Dung Huynh,... 2026-04-01
OCR 密集感知 开放词汇分割 早期融合 视觉语言模型
✅ 已总结
详情 →