Accelerating Multi-modal LLM Gaming Performance via Input Prediction and Mishit Correction
通过输入预测和误位修正加速多模态大语言模型游戏性能
专题命中 多模态Agent :multi-modal(title);分类 cs.AI
AI总结 通过输入预测和误位修正方法,显著降低多模态大语言模型游戏性能的推理延迟,提升整体控制效果。
Comments UIUC 25 Fall CS 498
AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
通过输入预测和误位修正加速多模态大语言模型游戏性能
专题命中 多模态Agent :multi-modal(title);分类 cs.AI
AI总结 通过输入预测和误位修正方法,显著降低多模态大语言模型游戏性能的推理延迟,提升整体控制效果。
Comments UIUC 25 Fall CS 498
Step-GUI 技术报告
机构 * GELab-Team(GELab团队)
专题命中 多模态Agent :multimodal(abstract);分类 cs.CV
AI总结 Step-GUI 是一种先进的 GUI 代理,通过自我进化训练管道和 GUI-MCP 协议,在保持高准确率的同时实现高效隐私保护的 GUI 自动化。
Comments 41 pages, 26 figures
基于文本引导的多阶段跨感知网络用于医学图像分割
机构 * college of software(软件学院) ; Beihang University(北京航空航天大学)
专题命中 多模态Agent :cross-modal(abstract);分类 cs.CV
AI总结 本文提出文本引导的多阶段跨感知网络TMC,通过多阶段跨注意力模块和多阶段对齐损失提升医学图像分割的跨模态交互和语义一致性,实验表明其在多个数据集上均优于传统方法。