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。

2025-10-20 至 2025-10-20 共收录 5 篇信号源：cs.CV, cs.AI, cs.LG

1. VLM训练与架构 5 篇

2510.09607 2025-10-20 cs.CV 83%

VITA-VLA: Efficiently Teaching Vision-Language Models to Act via Action Expert Distillation

Shaoqi Dong, Chaoyou Fu, Haihan Gao, Yi-Fan Zhang, Chi Yan, Chu Wu, Xiaoyu Liu, Yunhang Shen, Jing Huo, Deqiang Jiang, Haoyu Cao, Yang Gao, Xing Sun, Ran He, Caifeng Shan

机构 * Nanjing University（南京大学）； Tencent Youtu Lab（腾讯优图实验室）； CASIA（中国科学院自动化研究所）

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

Comments Homepage: https://ltbai.github.io/VITA-VLA/

2509.23379 2025-10-20 cs.CL cs.AI cs.CV 73%

CCD: Mitigating Hallucinations in Radiology MLLMs via Clinical Contrastive Decoding

Xi Zhang, Zaiqiao Meng, Jake Lever, Edmond S. L. Ho

机构 * School of Computing Science, University of Glasgow（计算科学学院，格拉斯哥大学）

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

Comments Preprint, 27 pages, 3 figures

2509.01842 2025-10-20 cs.LG cs.AI 62%

GradES: Significantly Faster Training in Transformers with Gradient-Based Early Stopping

Qifu Wen, Xi Zeng, Zihan Zhou, Shuaijun Liu, Mehdi Hosseinzadeh, Ningxin Su, Reza Rawassizadeh

机构 * Department of Computer Science, Boston University Metropolitan College（波士顿大学计算机科学系）； Information Hub, The Hong Kong University of Science and Technology, Guangzhou（香港科技大学广州信息中心）； School of Engineering and Technology, Duy Tan University, Da Nang, Vietnam（杜益大学工程科技学院，岘港，越南）； Department of AI, School of Computer Science and Engineering, Galgotias University, Greater Noida, India（加洛吉亚大学人工智能系，诺伊达，印度）

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

Comments 20 pages, 5 figures

2510.12974 2025-10-20 cs.CV 57%

Scope: Selective Cross-modal Orchestration of Visual Perception Experts

Tianyu Zhang, Suyuchen Wang, Chao Wang, Juan Rodriguez, Ahmed Masry, Xiangru Jian, Yoshua Bengio, Perouz Taslakian

机构 * ServiceNow ； Université de Montréal（蒙特利尔大学）； École de Technologie Supérieure（高级技术学院）； University of Waterloo（滑铁卢大学）； McGill University（麦吉尔大学）； York University（约克大学）； CIFAR AI Chair（CIFAR人工智能主席）； Mila ； Law Zero

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

Comments 14 pages, 2 figures

2412.09585 2025-10-20 cs.CV 57%

Elevating Visual Perception in Multimodal LLMs with Visual Embedding Distillation

Jitesh Jain, Zhengyuan Yang, Humphrey Shi, Jianfeng Gao, Jianwei Yang

机构 * Microsoft Research, Redmond（微软研究院（红mond））； Meta Superintelligence Labs（Meta超智能实验室）

专题命中 VLM训练与架构：MLLM(abstract)；分类 cs.CV

Comments Project Page: https://praeclarumjj3.github.io/visper_lm/