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。

2025-12-01 至 2025-12-01 共收录 3 篇信号源：cs.CV, cs.AI, cs.LG

1. 其他VLM 3 篇

2511.22943 2025-12-01 cs.CL cs.CV 79%

Visual Puns from Idioms: An Iterative LLM-T2IM-MLLM Framework

基于成语的视觉双关：一个迭代的LLM-T2IM-MLLM框架

Kelaiti Xiao, Liang Yang, Dongyu Zhang, Paerhati Tulajiang, Hongfei Lin

机构 * Dalian University of Technology（大连理工大学）； Xinjiang Normal University（新疆师范大学）

专题命中其他VLM ：MLLM(title,abstract)；分类 cs.CV

AI总结本文提出一个迭代框架，结合LLM、T2IM和MLLM，实现基于成语的视觉双关的自动生成与评估，实验表明MLLM选择对性能影响最大。

Comments Submitted to ICASSP 2026 (under review)

2403.10624 2025-12-01 cs.CV 79%

Configurable Fairness: Direct Optimization of Parity Metrics via Vision-Language Models

可配置公平性：通过视觉-语言模型直接优化平衡度指标

Miao Zhang, Rumi Chunara

机构 * New York University（纽约大学）

专题命中其他VLM ：vision-language model(title,abstract)；分类 cs.CV

AI总结本文提出通过视觉-语言模型直接优化平衡度量指标的方法，无需群体标签，提升图像识别的公平性。

2511.22688 2025-12-01 cs.LG cs.AI 62%

Test-time scaling of diffusions with flow maps

扩散模型测试时间缩放与流映射

Amirmojtaba Sabour, Michael S. Albergo, Carles Domingo-Enrich, Nicholas M. Boffi, Sanja Fidler, Karsten Kreis, Eric Vanden-Eijnden

机构 * NVIDIA（NVIDIA公司）； University of Toronto（多伦多大学）； Vector Institute（向量研究所）； Harvard University（哈佛大学）； Kempner Institute（凯姆纳研究所）； IAIFI（IAIFI机构）； Microsoft Research（微软研究院）； Carnegie Mellon University（卡内基梅隆大学）； Courant Institute, New York University（纽约大学应用数学学院）； ML Lab at Capital Fund Management (CFM)（Capital Fund Management (CFM)机器学习实验室）

专题命中其他VLM ：vision language model(abstract)；分类 cs.AI、cs.LG

AI总结本文提出通过流映射改进扩散模型测试时间性能，通过流映射与速度场关系构建FMTT算法，实现更优奖励上升并支持复杂图像编辑。