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。

2025-11-03 至 2025-11-03 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. 文档图表理解 3 篇

2510.27452 2025-11-03 cs.CV 57%

From Pixels to Paths: A Multi-Agent Framework for Editable Scientific Illustration

Jianwen Sun, Fanrui Zhang, Yukang Feng, Chuanhao Li, Zizhen Li, Jiaxin Ai, Yifan Chang, Yu Dai, Kaipeng Zhang

机构 * Nankai University（南开大学）； Shanghai Innovation Institute（上海创新研究院）； Wuhan University（武汉大学）； University of Science and Technology of China（中国科学技术大学）； Shanghai AI Laboratory（上海人工智能实验室）

专题命中文档图表理解：vision-language model(abstract)；分类 cs.CV

2510.27350 2025-11-03 cs.CV 57%

RzenEmbed: Towards Comprehensive Multimodal Retrieval

Weijian Jian, Yajun Zhang, Dawei Liang, Chunyu Xie, Yixiao He, Dawei Leng, Yuhui Yin

机构 * AI Research（360人工智能研究院）

专题命中文档图表理解：multimodal large language model(abstract)；分类 cs.CV

2505.06594 2025-11-03 cs.CL cs.CV 57%

Integrating Video and Text: A Balanced Approach to Multimodal Summary Generation and Evaluation

Galann Pennec, Zhengyuan Liu, Nicholas Asher, Philippe Muller, Nancy F. Chen

机构 * IRIT, University of Toulouse, France（IRIT，图卢兹大学，法国）； Institute for Infocomm Research (I 2 R), A*STAR, Singapore（信息通信研究所（I2R），A*STAR，新加坡）； CNRS, IRIT, France（CNRS，IRIT，法国）

专题命中文档图表理解：vision-language model(abstract)；分类 cs.CV