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 210 条结果
相关性 | 日期

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 →

面向生物图像的自动图像级形态特征标注

👍 8

用稀疏自编码器定位昆虫部位，再让多模态大模型生成可解释的形态特征描述。

Vardaan Pahuja, Samuel Stevens, Alyson East, Sydne Record, Yu Su 2026-04-03
多模态大模型 弱监督定位 形态学 特征提取 生物多样性
✅ 已总结
详情 →

LongCat-Next：将模态词汇化为离散 Token

👍 150

美团 LongCat 团队提出 DiNA 范式，把视觉/音频也词表化为离散 token，用统一自回归统一多模态。

Meituan LongCat Team, Bin Xiao, Chao Wang, Chengjiang Li, Chi Zhang, Chong... 2026-04-01
MoE 原生多模态 多模态大模型 离散 token 化 自回归
✅ 已总结
详情 →

Dynin-Omni：全模态统一大扩散语言模型

👍 19

首个基于掩码扩散的8B全模态统一模型，在单一架构中实现文本、图像、语音、视频的任意理解与生成

Jaeik Kim, Woojin Kim, Jihwan Hong, Yejoon Lee, Sieun Hyeon, Mintaek Lim,... 2026-04-01
全模态统一 多模态大模型 扩散模型 掩码扩散 文本-图像-语音联合建模
✅ 已总结
详情 →

Know3D：利用视觉语言模型知识引导3D生成

👍 20

通过提取VLM扩散模型中间层特征注入3D生成，实现背面语义可控

Wenyue Chen, Wenjue Chen, Peng Li, Qinghe Wang, Xu Jia, Heliang Zheng,... 2026-03-30
3D生成 单视图重建 多模态大模型 扩散模型 语义控制
✅ 已总结
详情 →

PEARL：个性化流式视频理解模型

👍 40

首个支持流式视频中动态注册个性化概念并实时问答的免训练框架与基准

Yuanhong Zheng, Ruichuan An, Xiaopeng Lin, Yuxing Liu, Sihan Yang, Huanyu... 2026-03-25
个性化理解 多模态大模型 实时交互 检索增强 流式视频
✅ 已总结
详情 →

重新思考多模态思维链的Token级策略优化

👍 26

PEPO：通过视觉感知与探索耦合的token级优势估计优化多模态推理

Yunheng Li, Hangyi Kuang, Hengrui Zhang, Jiangxia Cao, Zhaojie Liu, Qibin... 2026-03-25
多模态大模型 强化学习 推理优化 策略梯度 视觉语言模型
✅ 已总结
详情 →

VideoAtlas: 对数计算量的长视频导航

👍 3

将长视频理解为分层环境导航，实现O(log T)计算复杂度的零样本视频问答

Mohamed Eltahir, Ali Habibullah, Yazan Alshoibi, Lama Ayash, Tanveer... 2026-03-19
分层表示 多模态大模型 智能体 递归语言模型 长视频理解
✅ 已总结
详情 →