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 87 条结果
相关性 | 日期

Video-Oasis：重新审视视频理解评估

👍 58

提出诊断套件审核基准测试，发现55%样本存在捷径，暴露Video-LLM真正差距

Geuntaek Lim, Sungjune Park, Jaeyun Lee, Inwoong Lee, Taeoh Kim, Dongyoon... 2026-07-10
Video-LLM 基准测试审核 时空推理 视频理解 评估方法
✅ 已总结
详情 →

缓解零样本组合动作识别中的物体驱动捷径

👍 48

通过共现先验正则化和时间顺序正则化缓解ZS-CAR中的物体驱动捷径

Geo Ahn, Inwoong Lee, Taeoh Kim, Minho Shim, Dongyoon Wee, Jinwoo Choi 2026-07-10
快捷径学习 组合动作识别 视觉-语言模型 视频理解 零样本学习
✅ 已总结
详情 →

S-Agent：空间工具使用激发空间智能推理能力

👍 40

通过层次化空间工具和双记忆系统，将空间推理重构为时空证据积累过程，显著提升VLM的空间理解能力。

Yalun Dai, Hao Li, Shulin Tian, Runmao Yao, Yuhao Dong, Fangzhou Hong,... 2026-06-19
3D理解 多模态智能体 工具使用 空间推理 视频理解
✅ 已总结
详情 →

视频对象中心学习的选择性协同学习

👍 4

通过选择性协同学习解决视频对象分解中的编码器-解码器不匹配问题，提升性能并降低计算复杂度

WonJun Moon, Jae-Pil Heo 2026-06-19
对象中心学习 深度学习 自监督学习 视频理解
✅ 已总结
详情 →

推理再推理：跨视角重访提升空间推理能力

👍 30

提出一种推理-再推理的两阶段框架，通过合成新视角视频验证初始假设，提升第一人称视频空间推理精度。

Chaofan Ma, Zhenjie Mao, Yuhuan Yang, Fanqin Zeng, Yue Shi, Yingjie Zhou,... 2026-06-11
3D几何 多模态大语言模型 空间推理 视频理解 跨视角验证
✅ 已总结
详情 →

VideoKR：面向知识与推理密集型视频理解

👍 39

首个面向知识与推理密集型视频理解的大规模训练语料库，通过技能导向的QA生成框架和严格质量控制，显著提升模型在知识密集型视频推理任务上的表现

Lin Fu, Zheyuan Yang, Yang Wang, Tingyu Song, Arman Cohan, Yilun Zhao 2026-06-05
后训练 多模态学习 数据集构建 知识密集推理 视频理解
✅ 已总结
详情 →

迈向一对多时序定位

👍 7

首个一对多时序定位框架，解决现实视频中重复事件定位问题

Qi Xu, Yue Tan, Shihao Chen, Jiahao Meng, Anna Wang, Shunping Ji, Hao Fei, Jason Li 2026-06-05
多模态大模型 强化学习 时序定位 视频理解
✅ 已总结
详情 →