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 多智能体系统 多模态学习 智能体 知识蒸馏 图像生成 代码生成 LLM智能体 注意力机制 LLM Agent 具身智能 流匹配 多模态大语言模型 视频理解 数学推理 检索增强生成 可解释性 图像编辑 多模态 机器人学习 机器人操作 自监督学习 工具使用 Transformer 基准评测 对比学习 长上下文 RLVR 多模态推理 计算机视觉 数据合成 LLM评估 信息检索 推理加速 3D重建 扩散语言模型 自回归模型 视觉推理 RAG 参数高效微调 LoRA 视觉-语言-动作模型 Flow Matching 模型压缩 自回归生成 视觉-语言模型 后训练 工具调用 持续学习 高效推理 RLHF 策略优化
找到 49 条结果
相关性 | 日期

逐 Token 关注多模态生成过程

👍 8

系统刻画MLLM生成时逐token注意力动态，并用注意力阻断与增强干预验证因果并提升性能

Varun Gupta, Vineet Gandhi, Makarand Tapaswi 2026-07-08
多模态大模型 机制可解释性 注意力干预 注意力机制 自回归生成
✅ 已总结
详情 →

MotionVLA：用于人形运动的视觉-语言-动作模型

👍 5

提出双流频率标记器和MotionVLA框架，解决人形运动生成中姿态语义与物理动态的频域不匹配问题

Nonghai Zhang, Siyu Zhai, Yanjun Li, Zeyu Zhang, Zhihan Yin, Yandong Guo,... 2026-06-17
人形运动生成 多模态学习 自回归生成 视觉-语言-动作模型 频域标记化
✅ 已总结
详情 →

DreamX-World 1.0：通用交互式世界模型

👍 113

支持相机导航、场景记忆和可组合事件控制的通用世界模型

DreamX Team, Yancheng Bai, Rui Chen, Xiangxiang Chu, Rujing Dang, Hao Dou,... 2026-06-16
世界模型 交互式生成 相机控制 自回归生成 视频生成
✅ 已总结
详情 →

Lip Forcing：用于实时唇形同步的少步自回归扩散模型

👍 36

首个支持实时推理的唇形同步扩散模型，通过分析驱动的蒸馏框架将14B教师压缩为两步自回归学生，实现31 FPS流式生成

Paul Hyunbin Cho, Jinhyuk Jang, SeokYoung Lee, Joungbin Lee, Siyoon Jin,... 2026-06-10
唇形同步 实时推理 扩散模型 模型蒸馏 自回归生成
✅ 已总结
详情 →

dots.tts 技术报告

👍 16

首个20亿参数的连续自回归TTS基础模型，解决长序列误差累积问题，达到开源SOTA性能

Shi Lian, Changtao Li, Bohan Li, Hankun Wang, Da Zheng, Junfeng Tian, Yufeng... 2026-06-08
Flow Matching 自回归生成 语音合成 连续潜在空间 零样本声音克隆
✅ 已总结
详情 →