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。

2026-01-30 至 2026-01-30 共收录 4 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 跨模态检索 4 篇

2601.22055 2026-01-30 cs.CL 83%

$G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA

$G^2$-Reader: 双重演化图式用于多模态文档问答

Yaxin Du, Junru Song, Yifan Zhou, Cheng Wang, Jiahao Gu, Zimeng Chen, Menglan Chen, Wen Yao, Yang Yang, Ying Wen, Siheng Chen

机构 * Shanghai Jiao Tong University（上海交通大学）； Intelligent Game and Decision Laboratory（智能游戏与决策实验室）

专题命中跨模态检索：multimodal(title,abstract)；cross-modal(abstract)；分类 cs.CL

AI总结 $G^2$-Reader通过双重图式解决多模态文档问答中的结构破坏和检索失效问题，实现66.21%的高准确率。

2407.09523 2026-01-30 cs.CV cs.AI cs.CY cs.LG 62%

MuseCL: Predicting Urban Socioeconomic Indicators via Multi-Semantic Contrastive Learning

MuseCL：通过多语义对比学习预测城市社会经济指标

Xixian Yong, Xiao Zhou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院）

专题命中跨模态检索：multi-modal(abstract)；分类 cs.CV、cs.AI

AI总结 MuseCL通过多语义对比学习融合视觉与文本信息，提升城市社会经济预测的精度与鲁棒性。

2512.22294 2026-01-30 cs.CV 57%

A Three-Level Alignment Framework for Large-Scale 3D Retrieval and Controlled 4D Generation

一种用于大规模3D检索和受控4D生成的三级对齐框架

Philip Xu

专题命中跨模态检索：multimodal(abstract)；分类 cs.CV

AI总结 Uni4D通过三级对齐框架实现大规模3D检索与可控4D生成，提升多模态动态理解与应用

Comments arXiv admin note: Author list truncated. This submission has been withdrawn by arXiv administrators as authors were added without their knowledge or consent

2411.03517 2026-01-30 cs.LG 50%

Understanding Self-Supervised Learning via Gaussian Mixture Models

通过高斯混合模型理解自监督学习

Parikshit Bansal, Ali Kavis, Sujay Sanghavi

机构 * UT Austin（得克萨斯大学）

专题命中跨模态检索：multi-modal(abstract)

AI总结本文通过高斯混合模型分析自监督学习，证明对比学习能有效找到最优低维子空间，优于传统谱技术，并验证了多模态对比学习的理论结果。