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。

2025-11-07 至 2025-11-07 共收录 2 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 2 篇

2511.04137 2025-11-07 cs.CV cs.AI 62%

Learning from Online Videos at Inference Time for Computer-Use Agents

Yujian Liu, Ze Wang, Hao Chen, Ximeng Sun, Xiaodong Yu, Jialian Wu, Jiang Liu, Emad Barsoum, Zicheng Liu, Shiyu Chang

机构 * UC Santa Barbara（UC圣芭芭拉大学）； Advanced Micro Devices, Inc.（先进微器件公司）

专题命中 GUI与屏幕智能体：VLM(abstract)；分类 cs.CV、cs.AI

2510.02728 2025-11-07 cs.RO 50%

Team Xiaomi EV-AD VLA: Caption-Guided Retrieval System for Cross-Modal Drone Navigation -- Technical Report for IROS 2025 RoboSense Challenge Track 4

Lingfeng Zhang, Erjia Xiao, Yuchen Zhang, Haoxiang Fu, Ruibin Hu, Yanbiao Ma, Wenbo Ding, Long Chen, Hangjun Ye, Xiaoshuai Hao

机构 * Tsinghua University（清华大学）； Xiaomi EV（小米电动车）； Georgia Institute of Technology（佐治亚理工学院）； National University of Singapore（新加坡国立大学）； The Chinese University of Hong Kong（香港中文大学）； Renmin University of China（中国人民大学）

专题命中 GUI与屏幕智能体：VLM(abstract)