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。

2025-10-09 至 2025-10-09 共收录 4 篇信号源：cs.CV, cs.AI, cs.LG

1. VLM训练与架构 4 篇

2510.06529 2025-10-09 cs.CV 70%

VUGEN: Visual Understanding priors for GENeration

Xiangyi Chen, Théophane Vallaeys, Maha Elbayad, John Nguyen, Jakob Verbeek

机构 * Meta Fundamental AI Research（Meta基础人工智能研究）； FAIR at Meta（Meta的FAIR）

专题命中 VLM训练与架构：vision-language model(abstract)；VLM(abstract)；分类 cs.CV

2404.12353 2025-10-09 cs.CV cs.AI 62%

V2Xum-LLM: Cross-Modal Video Summarization with Temporal Prompt Instruction Tuning

Hang Hua, Yolo Yunlong Tang, Chenliang Xu, Jiebo Luo

专题命中 VLM训练与架构：vision-language model(abstract)；分类 cs.CV、cs.AI

Comments Accepted to AAAI 2025

2510.06235 2025-10-09 eess.IV cs.AI cs.CV q-bio.NC 62%

Stacked Regression using Off-the-shelf, Stimulus-tuned and Fine-tuned Neural Networks for Predicting fMRI Brain Responses to Movies (Algonauts 2025 Report)

Robert Scholz, Kunal Bagga, Christine Ahrends, Carlo Alberto Barbano

机构 * Université Paris Cité（巴黎Cité大学）； University of Oxford（牛津大学）； University of Turin（都灵大学）； Universität Leipzig（莱比锡大学）； Max Planck School of Cognition（马克斯·普朗克认知科学学院）

专题命中 VLM训练与架构：vision-language model(abstract)；分类 cs.CV、cs.AI

2510.06679 2025-10-09 cs.CV 57%

DreamOmni2: Multimodal Instruction-based Editing and Generation

Bin Xia, Bohao Peng, Yuechen Zhang, Junjia Huang, Jiyang Liu, Jingyao Li, Haoru Tan, Sitong Wu, Chengyao Wang, Yitong Wang, Xinglong Wu, Bei Yu, Jiaya Jia

机构 * CUHK（香港中文大学）； HKUST（香港科技大学）； HKU（香港大学）； ByteDance Inc（字节跳动公司）

专题命中 VLM训练与架构：VLM(abstract)；分类 cs.CV