视觉语言模型

视频思考：视频生成作为一种有前途的多模态推理范式

将RL扩展到长视频

HY-Embodied-0.5：面向现实世界智能体的使用具身基础模型

OmniLottie：通过参数化 Lottie Token 生成矢量动画

SmolVLA：一种经济高效的机器人视觉-语言-动作模型

构建和更好地理解视觉-语言模型：见解和未来方向

Vision-Zero：通过策略性游戏化自对弈实现可扩展的VLM自我改进

MinerU-Diffusion：通过扩散解码将文档 OCR 重新思考为逆渲染

HopChain：用于泛化视觉语言推理的多跳数据合成

ScaleCUA: 使用跨平台数据扩展开源计算机使用代理

不要蒙蔽你的VLA：对齐视觉表征以实现OOD泛化

看在关键处：用于高效视觉语言模型的高分辨率裁剪检索

通过推理分解实现自奖励的视觉语言模型

UniG2U-Bench：统一模型能否推动多模态理解？

Holi-Spatial：将视频流演化为整体 3D 空间智能

时间盲区：为什么视频-语言模型无法像人类一样“看”？

MiMo-VL 技术报告

VisionThink：通过强化学习实现的智能高效视觉语言模型

OS-Sentinel：通过真实工作流中的混合验证，实现安全增强的移动 GUI 代理

殊途同归：激励视觉语言模型中的发散性思维

Eagle 2.5：提升前沿视觉-语言模型的长上下文后训练

更多思考，更少准确性？论视觉语言模型中推理的双重性质

从像素到文字——迈向大规模原生视觉-语言原语

DeepPHY：对具身VLM进行物理推理的基准测试

Glyph: 通过视觉文本压缩扩展上下文窗口

FineVision：开放数据就足够了

TwinBrainVLA：通过非对称 Transformer 混合架构释放通用 VLM 在具身任务中的潜力

视觉三元统一强化学习：一种强化学习看遍所有

DeepSeek-OCR 2：视觉因果流

MMFineReason：通过以开放数据为中心的方法弥合多模态推理差距

VS-Bench：评估多智能体环境中用于战略推理和决策的视觉-语言模型

P1-VL：连接物理奥林匹克竞赛中的视觉感知与科学推理

DeepImageSearch：视觉历史中上下文感知图像检索的多模态智能体基准测试

Pixel Reasoner: 通过好奇心驱动的强化学习激励像素空间推理

SEAgent: 具有自主学习经验的自进化计算机使用代理

MM-Zero: Self-Evolving Multi-Model Vision Language Models From Zero Data MM-Zero：零数据下自我进化的多模型视觉语言模型

Sherlock: 视觉语言模型中的自校正推理

TerraScope：地球观测中的像素级视觉推理

CSVQA: 一个用于评估VLMs STEM推理能力的中文多模态基准

StreamingVLM: 实时理解无限视频流

视觉空间调整

学习在 4D 中推理：视觉语言模型的动态空间理解

长度无偏序列策略优化：揭示并控制 RLVR 中的回复长度变化

ColorBench: VLMs 能否看到和理解多彩的世界？一个用于颜色感知、推理和鲁棒性的综合基准

LEGO-Eval：通过工具增强对合成 3D 具身环境进行细粒度评估

ZeroGUI：以零人力成本自动化在线GUI学习

视觉-语言-视觉自编码器：从扩散模型中进行可扩展的知识蒸馏

视频生成模型是好的潜在奖励模型

NarraScore：通过分层情感控制衔接视觉叙事与音乐动态

PhysX：基于物理的 3D 资产生成

FLUX-Reason-6M & PRISM-Bench: 百万级文本到图像推理数据集和综合基准

VisPlay：从图像中自我演进的视觉-语言模型

Youtu-VL：通过统一视听语言监督释放视觉潜力

几何约束的智能体用于空间推理

VisGym：面向多模态智能体的多样化、可定制、可扩展环境

生成式视觉代码移动端世界模型

生成，但要验证：通过回顾性重采样减少视觉语言模型中的幻觉

GenRecal：从大到小视觉语言模型校准后生成

视觉语言模型能玩转“三仙归洞”游戏吗？

OmniSpatial: 迈向视觉语言模型的全面空间推理基准

cadrille: 基于在线强化学习的多模态 CAD 重建

VIKI-R：通过强化学习协调具身多智能体协作

EmbRACE-3K：复杂环境中的具身推理与行动

GutenOCR：一个基于接地的文档视觉语言前端

MORSE-500: 一个程序化可控的视频基准，用于压力测试多模态推理

先看后答：从视觉落地的后训练中学习

Surfer-H 遇见 Holo1：由开放权重驱动的经济高效 Web 智能体

面向视觉中心推理的谜题课程 GRPO

Code2Video：面向教育视频生成的代码中心范式

迈向通用检索增强生成的混合模态检索

让几何对空间推理发挥作用

OpenCUA: 计算机使用代理的开放基础

MedOpenClaw：对未经筛选的完整研究进行推理的可审计医学影像智能体

视觉-语言模型中的视角感知推理：通过心理意象模拟

Vero：通用视觉推理的开源强化学习方案

机器心智意象：通过潜在视觉令牌赋能多模态推理

GSM8K-V：视觉语言模型能否解决具有视觉背景的小学数学应用题？

超越记忆：揭示视觉语言模型流行度偏差的多模态序数回归基准

RealChart2Code：利用真实数据和多任务评估推进图表转代码生成

视觉语言模型是否拥有内部世界模型？走向原子化评估

VLMs 在视觉空间智能方面还有多远？——一个基于基准的视角

Vector Prism: 通过分层语义结构来制作矢量图形动画

统一的视觉-语言-行动模型

迷失在嵌入中：视觉-语言模型中的信息丢失

OS-Symphony：用于构建鲁棒且通用的计算机操作智能体的全方位框架

MindJourney：利用世界模型进行测试时扩展以实现空间推理

Stepping VLMs onto the Court: Benchmarking Spatial Intelligence in Sports 将 VLM 带入球场：体育运动中的空间智能基准测试

超越识别：评估视觉语言模型中的视觉视角采择

OpenVoxel：面向开放词汇 3D 场景理解的免训练体素分组与字幕生成

ChartNet：用于鲁棒图表理解的百万级高质量多模态数据集

EfficientLLM: 大语言模型中的效率

生成式通用验证器作为多模态元推理器

大型多模态模型作为通用上下文分类器

视觉语言模型存在偏见

VLM中针对图像偏好的听众奖励式思维

看见、指向、飞翔：一种无需学习的VLM框架，用于通用的无人机导航

TOPReward：将 Token 概率作为机器人学的隐式零样本奖励

DualTHOR：一个用于应急感知规划的双臂人形模拟平台

ShotBench: 视觉-语言模型中的专家级电影理解

Mind-the-Glitch：用于检测主体驱动生成中不一致之处的视觉对应

VLS：通过视觉语言模型引导预训练机器人策略

视觉Transformer不需要训练寄存器

经验是最好的老师：通过自生成记忆将VLM扎根于机器人技术

视觉语言模型中的可解释物理推理和性能分类

三维思考：基于有限视角的几何想象与空间推理