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。

2025-11-13 至 2025-11-13 共收录 4 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 4 篇

2511.08942 2025-11-13 cs.RO cs.AI 83%

Think, Remember, Navigate: Zero-Shot Object-Goal Navigation with VLM-Powered Reasoning

Mobin Habibpour, Fatemeh Afghah

机构 * Holcombe Department of Electrical and Computer Engineering（霍尔科姆电气与计算机工程系）； Clemson University（克莱姆森大学）

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

2511.08978 2025-11-13 cs.MM cs.CV 79%

Spatio-Temporal Data Enhanced Vision-Language Model for Traffic Scene Understanding

Jingtian Ma, Jingyuan Wang, Wayne Xin Zhao, Guoping Liu, Xiang Wen

机构 * School of Computer Science and Engineering, and the MOE Engineering Research Center of Advanced Computer Application Technology, Beihang University（计算机科学与工程学院，以及教育部先进计算机应用技术工程研究中心，北京航空航天大学）； School of Computer Science and Engineering, the School of Economics and Management, and the MIIT Key Laboratory of Data Intelligence and Management, Beihang University（计算机科学与工程学院，经济管理学院，以及工信部数据智能与管理重点实验室，北京航空航天大学）； Gaoling School of Artificial Intelligence, Renmin University of China（中关村人工智能学院，中国人民大学）； DiDi Global Inc.（滴滴出行公司）

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

2511.09127 2025-11-13 cs.AI cs.CL cs.CV cs.HC 62%

History-Aware Reasoning for GUI Agents

Ziwei Wang, Leyang Yang, Xiaoxuan Tang, Sheng Zhou, Dajun Chen, Wei Jiang, Yong Li

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

Comments Paper accepted to AAAI 2026

2511.08892 2025-11-13 cs.AI 57%

Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds

Weihao Tan, Xiangyang Li, Yunhao Fang, Heyuan Yao, Shi Yan, Hao Luo, Tenglong Ao, Huihui Li, Hongbin Ren, Bairen Yi, Yujia Qin, Bo An, Libin Liu, Guang Shi

机构 * ByteDance Seed（字节跳动种子）； NTU（国立科技大学）

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