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。

2026-02-23 至 2026-02-23 共收录 2 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 多模态Agent 2 篇

2505.11409 2026-02-23 cs.LG cs.AI cs.CL cs.CV 67%

视觉规划：只用图像来思考

Yi Xu, Chengzu Li, Han Zhou, Xingchen Wan, Caiqi Zhang, Anna Korhonen, Ivan Vulić

机构 * Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）； Google（谷歌公司）

专题命中多模态Agent ：multimodal(abstract)；分类 cs.CV、cs.CL、cs.AI

AI总结本文提出视觉规划范式，通过图像进行推理，优于纯文本推理，在视觉导航任务中表现更优。

Comments ICLR 2026 (Oral)

2602.03175 2026-02-23 cs.LG 50%

探查-然后承诺多目标老虎机：有限多臂反馈的理论优势

Ming Shi

机构 * Department of Electrical Engineering, University at Buffalo（电气工程系，布法罗大学）

专题命中多模态Agent ：multi-modal(abstract)

AI总结本文提出PtC-P-UCB算法，通过有限探查提升多目标老虎机的性能，实现$1/\sqrt{q}$的加速效果。