多模态大模型 - arXivDaily 专题

2512.24165 2026-01-01 cs.CV 79%

DiffThinker: Towards Generative Multimodal Reasoning with Diffusion Models

DiffThinker: 向基于扩散模型的生成多模态推理迈进

Zefeng He, Xiaoye Qu, Yafu Li, Tong Zhu, Siyuan Huang, Yu Cheng

机构 * Shanghai AI Laboratory（上海人工智能实验室）； Nanjing University（南京大学）； Shanghai Jiao Tong University（上海交通大学）； The Chinese University of Hong Kong（香港中文大学）

专题命中多模态生成：multimodal(title,abstract)；分类 cs.CV

AI总结 DiffThinker通过基于扩散模型的生成方法，在多模态推理任务中实现了更高效的视觉推理和更精确的空间处理，显著优于现有模型。

Comments Project page: https://diffthinker-project.github.io

2510.04000 2026-01-01 cs.IT cs.LG math.IT 78%

Distributed Information Bottleneck Theory for Multi-Modal Task-Aware Semantic Communication

多模态任务感知语义通信的分布式信息瓶颈理论

Yujie Zhou, Cheng Peng, Rulong Wang, Yong Xiao, Yingyu Li, Guangming Shi, Ping Zhang

机构 * School of Electronic Information and Communications, Huazhong University of Science and Technology（电子信息与通信学院，华中科技大学）； Peng Cheng Laboratory（鹏城实验室）； Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔））； School of Mechanical Engineering and Electronic Information, China University of Geosciences（机械工程与电子信息学院，中国地质大学）； State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（网络与交换技术国家重点实验室，北京邮电大学）

专题命中多模态生成：multi-modal(title,abstract)

AI总结本文提出了一种多模态任务感知语义通信的分布式信息瓶颈框架，通过量化模态贡献来优化资源利用，提升通信效率与任务性能。

2512.24271 2026-01-01 cs.CV cs.AI 73%

Taming Hallucinations: Boosting MLLMs' Video Understanding via Counterfactual Video Generation

驯服幻觉：通过反事实视频生成提升MLLMs的视频理解

Zhe Huang, Hao Wen, Aiming Hao, Bingze Song, Meiqi Wu, Jiahong Wu, Xiangxiang Chu, Sheng Lu, Haoqian Wang

机构 * Tsinghua University（清华大学）； Beihang University（北航）； AMAP, Alibaba Group（阿里妈妈实验室，阿里巴巴集团）

专题命中多模态生成：multimodal(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI

AI总结通过反事实视频生成和对比训练，提升MLLMs对视频的理解能力并减少幻觉。

Comments 18 pages

2512.25072 2026-01-01 cs.RO cs.AI cs.LG 57%

Coordinated Humanoid Manipulation with Choice Policies

协调的人形机器人操作与选择策略

Haozhi Qi, Yen-Jen Wang, Toru Lin, Brent Yi, Yi Ma, Koushil Sreenath, Jitendra Malik

机构 * UC Berkeley（加州大学伯克利分校）

专题命中多模态生成：multimodal(abstract)；分类 cs.AI

AI总结本文提出选择策略，通过模块化遥控和模仿学习，实现人形机器人在无结构环境中的协调操作与高效学习。

Comments Code and Website: https://choice-policy.github.io/

2512.22681 2026-01-01 cs.CV 57%

CritiFusion: Semantic Critique and Spectral Alignment for Faithful Text-to-Image Generation

CritiFusion: 语义批评与频谱对齐用于忠实的文本到图像生成

ZhenQi Chen, TsaiChing Ni, YuanFu Yang

机构 * National Yang Ming Chiao Tung University

专题命中多模态生成：multimodal(abstract)；分类 cs.CV

AI总结 CritiFusion通过语义批评和频谱对齐提升文本到图像生成的忠实度和细节质量。

2512.24200 2026-01-01 cs.GR 50%

PartMotionEdit: Fine-Grained Text-Driven 3D Human Motion Editing via Part-Level Modulation

PartMotionEdit: 通过部分级调制实现细粒度文本驱动的3D人体运动编辑

Yujie Yang, Zhichao Zhang, Jiazhou Chen, Zichao Wu

专题命中多模态生成：cross-modal(abstract)

AI总结 PartMotionEdit通过部分级调制实现细粒度文本驱动的3D人体运动编辑，提升局部运动的精确控制与语义对齐能力。

Comments 10 pages, 4 figures

1. 多模态生成 6 篇