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 60 条结果
相关性 | 日期

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 →

面向视频模型的视觉提示工程

👍 19

用图像编辑模型改造任务图片，系统提升视频模型视觉推理能力

Robert Geirhos, Yuxuan Li, Thaddäus Wiedemer, Neha Kalibhat, Zi Wang, Mani... 2026-07-29
图像编辑 提示工程 测试时扩展 真实感偏差 视觉推理
✅ 已总结
详情 →

视觉推理中的局部性与长度泛化

👍 4

局部感知加循环计算让视觉模型获得长度泛化能力

Pulkit Madan, Sanjay Haresh, Reza Ebrahimi, Sunny Panchal, Apratim... 2026-07-17
OOD泛化 中央凹视觉 循环神经网络 状态跟踪 视觉推理
✅ 已总结
详情 →

OpenCoF：通过视频生成学习推理

👍 23

构建OpenCoF-17K数据集，通过多样化时间监督和推理token机制提升视频生成模型的推理能力

Xinyan Chen, Ziyu Guo, Renrui Zhang, Dongzhi Jiang, Hongsheng Li 2026-07-10
Chain-of-Frame Diffusion Transformer 数据集构建 视觉推理 视频生成
✅ 已总结
详情 →

感知到推理：细粒度视觉推理中感知与推理的解耦

👍 18

提出P2R框架，将细粒度视觉推理解耦为感知定位和推理回答两个阶段，仅需最终答案监督

Hongxing Li, Xiufeng Huang, Dingming Li, Wenjing Jiang, Zixuan Wang, Haolei... 2026-07-02
多模态大模型 强化学习 感知推理解耦 细粒度视觉理解 视觉推理
✅ 已总结
详情 →

视觉接地思考

👍 11

让视觉推理轨迹显式指向图像证据，提升计数和空间理解能力

Junkai Zhang, Yihe Deng, Kai-Wei Chang, Wei Wang 2026-06-19
强化学习 接地学习 视觉推理 视觉语言模型
✅ 已总结
详情 →

DyCo-RL：用于视觉推理的动态跨模态协调机制

👍 16

利用Fisher-Rao距离检测注意力转移，动态重加权token级优势以提升MLLM跨模态推理。

Hangui Lin, Yan Shu, Zhengyang Liang, Chi Liu, Xiangrui Liu, Minghao Qin,... 2026-06-11
多模态大模型 强化学习 注意力机制 视觉推理 跨模态协调
✅ 已总结
详情 →

PaintBench：精确视觉编辑的确定性评估基准

👍 3

首个基于像素级确定性评估的精确视觉编辑基准，揭示当前多模态模型在基本栅格操作上的显著局限性。

Kai Xu, Ellis Brown, Shrikar Madhu, Rob Fergus, He He, Saining Xie 2026-06-04
图像编辑 基准测试 多模态模型 确定性评估 视觉推理
✅ 已总结
详情 →