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。

2025-10-02 至 2025-10-02 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 3 篇

2503.02723 2025-10-02 cs.RO 82%

ImpedanceGPT: VLM-driven Impedance Control of Swarm of Mini-drones for Intelligent Navigation in Dynamic Environment

Faryal Batool, Yasheerah Yaqoot, Malaika Zafar, Roohan Ahmed Khan, Muhammad Haris Khan, Aleksey Fedoseev, Dzmitry Tsetserukou

机构 * Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（智能空间机器人实验室，斯克尔科沃科学与技术研究所）

专题命中 GUI与屏幕智能体：VLM(title,abstract)；vision-language model(abstract)

Comments Accepted in IROS 2025

2504.10458 2025-10-02 cs.CV cs.CL cs.HC 57%

GUI-R1 : A Generalist R1-Style Vision-Language Action Model For GUI Agents

Run Luo, Lu Wang, Wanwei He, Longze Chen, Jiaming Li, Xiaobo Xia

机构 * Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所）； University of Chinese Academy of Sciences（中国科学院大学）； National University of Singapore（新加坡国立大学）

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

2510.00536 2025-10-02 cs.CL 50%

GUI-KV: Efficient GUI Agents via KV Cache with Spatio-Temporal Awareness

Kung-Hsiang Huang, Haoyi Qiu, Yutong Dai, Caiming Xiong, Chien-Sheng Wu

机构 * Salesforce AI Research（Salesforce AI研究）

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