AI 大模型

多模态大模型

跨文本、图像、视频、音频等模态的大模型与学习方法。

2025-10-02 至 2025-10-02 共收录 4 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 图文多模态 4 篇

2510.00855 2025-10-02 cs.CV cs.AI cs.CL cs.LG 67%

Can World Models Benefit VLMs for World Dynamics?

Kevin Zhang, Kuangzhi Ge, Xiaowei Chi, Renrui Zhang, Shaojun Shi, Zhen Dong, Sirui Han, Shanghang Zhang

机构 * Peking University（北京大学）； Hong Kong University of Science and Technology（香港科学与技术大学）； Chinese University of Hong Kong（香港中文大学）； University of California, Santa Barbara（加州大学圣芭芭拉分校）

专题命中图文多模态：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI

Comments Project page: https://dyva-worldlm.github.io

2510.00690 2025-10-02 cs.AI 57%

ACPO: Adaptive Curriculum Policy Optimization for Aligning Vision-Language Models in Complex Reasoning

Yunhao Wang, Ziting Li, Shuai Chen, Tao Liu, Chao Song, Junjie Jiang, Jian Zhu, Peng Gao, Bin Qin

机构 * Xiaomi Inc.（小米公司）

专题命中图文多模态：multimodal(abstract)；分类 cs.AI

2503.17349 2025-10-02 cs.CV 57%

Beyond Semantics: Rediscovering Spatial Awareness in Vision-Language Models

Jianing Qi, Jiawei Liu, Hao Tang, Zhigang Zhu

机构 * CUNY Graduate Center（纽约大学研究生中心）； Borough of Manhattan Community College（曼哈顿社区学院）； The City College of New York（纽约城市学院）

专题命中图文多模态：multimodal(abstract)；分类 cs.CV

2503.08561 2025-10-02 cs.CV 57%

ComicsPAP: understanding comic strips by picking the correct panel

Emanuele Vivoli, Artemis Llabrés, Mohamed Ali Souibgui, Marco Bertini, Ernest Valveny Llobet, Dimosthenis Karatzas

机构 * CVC, Autonomous University of Barcelona, Spain（CVC，巴塞罗那自治大学，西班牙）； MICC, University of Florence, Italy（MICC，佛罗伦萨大学，意大利）

专题命中图文多模态：multimodal(abstract)；分类 cs.CV

Journal ref Document Analysis and Recognition - ICDAR 2025. ICDAR 2025. Lecture Notes in Computer Science, vol 16023. Springer, Cham