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

UrbanGround：真实尺度城市中从局部感知到空间能动性

👍 109

把真实香港搬进物理仿真沙盒，测出多模态智能体“认得出却走不到”的城市行动能力断层。

Tianjie Ju, Zheng Wu, Yueqing Sun, Yuhan Cui, Bobo Li, Shengqiong Wu,... 2026-08-28
具身智能 城市导航 基准与评测环境 多模态大语言模型 智能体评估
✅ 已总结
详情 →

CURV：通过课程式视觉接地推理增强图表理解

👍 4

课程学习框架让多模态模型内化视觉接地推理，图表问答性能提升高达20.5%

Xuehang Guo, Pingyue Zhang, Ruiyi Zhang, Zhenhailong Wang, Hanrui Lyu, Heng... 2026-08-05
图表问答 多模态大语言模型 思维链推理 视觉接地 视觉推理
✅ 已总结
详情 →

用于多参考图像编辑的评估-验证奖励(EVR)

👍 15

提出EVR奖励：多假设评估+视觉验证，强化学习优化多参考图像编辑。

Yingmao Miao, Pengfei Zhang, Xiaochen Lv, Meng Yu, Lei Sun, Xiangxiang Chu,... 2026-08-03
DiffusionNFT 图像编辑 多参考图像编辑 多模态大语言模型 奖励模型
✅ 已总结
详情 →

Gemma 4 技术报告

👍 62

Gemma 4：具备思维模式的原生多模态开放模型家族，在推理和多模态理解上实现显著性能提升

Gemma Team, Sherif El Abd, Vaibhav Aggarwal, Robin Algayres, Alek Andreev,... 2026-07-08
MoE架构 多模态大语言模型 开放权重模型 思维模式 量化感知训练
✅ 已总结
详情 →

不牺牲文本智能的统一音频智能模型

👍 18

在保持文本LLM核心推理能力不退化的前提下，实现统一的音频理解与生成。

Zhifeng Kong, Sang-gil Lee, Jaehyeon Kim, Boxin Wang, Zihan Liu, Sungwon... 2026-07-07
MoE架构 多模态大语言模型 语音识别 音频理解 音频生成
✅ 已总结
详情 →

基于非对称互变分学习的多模态连续推理

👍 27

通过双向KL校准解决变分推理中的训练-推理不匹配，实现高效多模态连续推理

Shijie Li, Yilin Gao, Siyuan Yang, Tieyuan Chen, Chaofan Gan, Zhihao He,... 2026-07-02
变分推断 多模态大语言模型 潜在推理 训练-推理不匹配 连续推理
✅ 已总结
详情 →

基于多模态扩散语言模型的并行区域感知框架

👍 64

利用扩散语言模型的并行解码特性，实现单次前向传播同时描述多个图像区域

Yueyi Sun, Yuhao Wang, Jason Li, Ye Tian, Tao Zhang, Jacky Mai, Yihan Wang,... 2026-06-22
区域感知 多模态大语言模型 并行生成 扩散语言模型 细粒度视觉理解
✅ 已总结
详情 →