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。

2025-09-10 至 2025-09-10 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. 视觉推理 3 篇

2412.01370 2025-09-10 cs.CV cs.CL 77%

Understanding Museum Exhibits using Vision-Language Reasoning

Ada-Astrid Balauca, Sanjana Garai, Stefan Balauca, Rasesh Udayakumar Shetty, Naitik Agrawal, Dhwanil Subhashbhai Shah, Yuqian Fu, Xi Wang, Kristina Toutanova, Danda Pani Paudel, Luc Van Gool

机构 * ETH Zürich, Switzerland（苏黎世联邦理工学院，瑞士）； Indian Institute of Technology, Varanasi (IIT BHU)（印度瓦拉纳西理工学院（IIT BHU））； Google DeepMind（谷歌DeepMind）

专题命中视觉推理：vision-language model(abstract)；LLaVA(abstract)；visual question answering(abstract)；分类 cs.CV

Comments Accepted at ICCV 2025

2508.17180 2025-09-10 cs.AI cs.CV cs.LG 67%

MaRVL-QA: A Benchmark for Mathematical Reasoning over Visual Landscapes

Nilay Pande, Sahiti Yerramilli, Jayant Sravan Tamarapalli, Rynaa Grover

机构 * Waymo ； Google（谷歌）

专题命中视觉推理：multimodal large language model(abstract)；分类 cs.CV、cs.AI、cs.LG

2505.12312 2025-09-10 cs.CV cs.AI cs.CL cs.LG cs.RO 67%

Visuospatial Cognitive Assistant

Qi Feng

机构 * Kyoto University（京都大学）

专题命中视觉推理：vision-language model(abstract)；分类 cs.CV、cs.AI、cs.LG

Comments 31 pages, 10 figures, 6 tables