AI 大模型

视觉大模型 / VLM

视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。

2025-07-29 至 2025-07-29 共收录 2 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 2 篇

2505.00693 2025-07-29 cs.RO cs.AI cs.CV 62%

Robotic Visual Instruction

Yanbang Li, Ziyang Gong, Haoyang Li, Xiaoqi Huang, Haolan Kang, Guangping Bai, Xianzheng Ma

机构 * Imperial College London（伦敦帝国理工学院）； Shanghai AI Laboratory（上海人工智能实验室）； UC San Diego（加州大学圣地亚哥分校）； VIVO ； South China University of Technology（华南理工大学）

专题命中 GUI与屏幕智能体：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments Project website: https://robotic-visual-instruction.github.io/

2507.20622 2025-07-29 cs.RO 50%

FMimic: Foundation Models are Fine-grained Action Learners from Human Videos

Guangyan Chen, Meiling Wang, Te Cui, Yao Mu, Haoyang Lu, Zicai Peng, Mengxiao Hu, Tianxing Zhou, Mengyin Fu, Yi Yang, Yufeng Yue

机构 * Beijing Institute of Technology, Beijing, P. R. China（北京理工大学）； The University of Hong Kong, Hong Kong, P. R. China（香港大学）

专题命中 GUI与屏幕智能体：vision language model(abstract)

Comments accepted to International Journal of Robotics Research(IJRR)