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 2 篇信号源：cs.CV, cs.AI, cs.LG

1. GUI与屏幕智能体 2 篇

2511.20737 2025-12-01 cs.CV cs.AI cs.CL 84%

CANVAS：基于工具的用户界面设计的视觉-语言模型基准

Daeheon Jeong, Seoyeon Byun, Kihoon Son, Dae Hyun Kim, Juho Kim

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

AI总结 CANVAS是一个用于评估视觉-语言模型在基于工具的用户界面设计任务中性能的基准，通过复制和修改UI设计任务来测试模型的工具调用能力和设计质量。

2511.22697 2025-12-01 cs.RO cs.CL cs.CV 57%

通过少样本示范机制性微调视觉-语言-动作模型

Chancharik Mitra, Yusen Luo, Raj Saravanan, Dantong Niu, Anirudh Pai, Jesse Thomason, Trevor Darrell, Abrar Anwar, Deva Ramanan, Roei Herzig

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

AI总结本研究提出Robotic Steering方法，通过少样本示范机制性微调视觉-语言-动作模型，提升其在机器人任务中的适应性和鲁棒性。