视觉语言模型

将RL扩展到长视频

构建和更好地理解视觉-语言模型：见解和未来方向

SmolVLA：一种经济高效的机器人视觉-语言-动作模型

4KAgent：代理式任意图像4K超分辨率

通过推理分解实现自奖励的视觉语言模型

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

DeepPHY：对具身VLM进行物理推理的基准测试

视觉三元统一强化学习：一种强化学习看遍所有

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

Pixel Reasoner: 通过好奇心驱动的强化学习激励像素空间推理

Sherlock: 视觉语言模型中的自校正推理

CSVQA: 一个用于评估VLMs STEM推理能力的中文多模态基准

SEAgent: 具有自主学习经验的自进化计算机使用代理

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

PhysX：基于物理的 3D 资产生成

OmniSpatial: 迈向视觉语言模型的全面空间推理基准

GenRecal：从大到小视觉语言模型校准后生成

MoCa：模态感知持续预训练生成更优的双向多模态嵌入

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

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

EmbRACE-3K：复杂环境中的具身推理与行动

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

OpenCUA: 计算机使用代理的开放基础

机器心智意象：通过潜在视觉令牌赋能多模态推理

视觉语言模型是否拥有内部世界模型？走向原子化评估

MindJourney：利用世界模型进行测试时扩展以实现空间推理

统一的视觉-语言-行动模型

超越识别：评估视觉语言模型中的视觉视角采择

EfficientLLM: 大语言模型中的效率

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

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

视觉语言模型存在偏见

简单的半监督知识蒸馏：通过双头优化 (DHO) 从视觉-语言模型

VideoGameQA-Bench: 评估用于电子游戏质量保证的视觉-语言模型

医学世界模型：肿瘤演化的生成式模拟用于治疗规划

视觉Transformer不需要训练寄存器

NOVA: 用于脑部MRI异常定位和临床推理的基准

ChartMuseum: 测试大型视觉-语言模型的视觉推理能力

G-FOCUS: 迈向评估UI设计说服力的一种鲁棒方法

ViPlan：基于符号谓词和视觉语言模型的视觉规划基准

细粒度偏好优化提高VLM的空间推理能力

有限视角下的空间心理建模

G1: 通过强化学习自举视觉语言模型的感知和推理能力

MARVIS: 模态自适应可视化推理

ViewSpatial-Bench：评估视觉-语言模型中的多视角空间定位能力

用于矢量图形生成的渲染感知强化学习

顿悟时刻再探：视觉语言模型真的能在推理时缩放中进行自我验证吗？

无标签视觉语言模型适应：一项全面调查

理性赋能视觉：通过模型合并理解感知和推理

LaTtE-Flow: 逐层时间步专家流式Transformer

MiCo：强化视觉推理的多图像对比

VisualSphinx：用于强化学习 (RL) 的大规模合成视觉逻辑谜题

PresentAgent：用于演示视频生成的多模态智能体

SEAM：跨模态语义等价性基准测试，用于视觉-语言模型

视觉-语言-行动 模型：概念、进展、应用与挑战

视觉语言模型在现实世界中安全吗？一项基于Meme的基准研究

隐藏在众目睽睽之下：VLM 忽视了它们的视觉表征

艺术中的人工智能与错误信息：视觉语言模型能判断画布背后的手还是机器吗？

MEENA（波斯多模态多语言评估）：面向N级评估的多模态多语言教育考试

IAG：针对视觉定位的 VLMs 的输入感知后门攻击

VideoGameBench: 视觉-语言模型能否通关热门电子游戏？

通过 LLM 代理的零样本视觉编码器嫁接

SAFEFLOW：面向可信和事务性自主智能体系统的原则性协议

AgroBench：农业视觉语言模型基准

蒸馏用于自回归图像生成的语义感知序列

是否信任你的视觉语言模型的预测

被谜题困扰：当视觉-语言模型无法领会提示时

ChartCap：缓解密集图表标题的幻觉

ViExam：视觉语言模型在越南多模态考试题目上是否优于人类？

MobiAgent：用于可定制移动代理的系统框架

MetaUAS：通过单提示元学习实现通用异常分割

RAVENEA: 一个用于多模态检索增强视觉文化理解的基准

VLM-3R：基于指令对齐三维重建增强的视觉-语言模型

视觉语言模型能否推断人类凝视方向？一项对照研究

Hanfu-Bench：一项关于跨时间文化理解与转译的多模态基准

视觉文档理解与问答：一种支持测试时扩展的多智能体协作框架

GeoRanker：用于全球图像地理定位的距离感知排序

InstructPart：面向任务的部分分割与指令推理

眼见为实，但可信度几何？ 对视觉-语言模型中言语化校准的综合分析

CoreMatching：一种用于全面加速视觉-语言模型的、带有 Token 和神经元剪枝的协同自适应稀疏推理框架

朝上吗？通过细粒度多轴感知任务解耦多模态大模型的方向理解

使VLM助手与个性化情境认知对齐

QARI-OCR: 通过多模态大型语言模型自适应实现高保真阿拉伯语文本识别

VLMs 可以聚合分散的训练补丁

Maya 的背后：构建多语言视觉语言模型

通过基于空间的合成世界实现机器人具身认知

IQBench：视觉-语言模型有多“聪明”？一项基于人类智商测试的研究