视觉大模型 / VLM

Can MLLMs generate human-like feedback in grading multimodal short answers?

大型语言模型能否在评估多模态简答时生成类人反馈？

Pritam Sil, Pushpak Bhattacharyya, Pawan Goyal, Ganesh Ramakrishnan

专题命中 其他VLM ：multimodal large language model(abstract)；分类 cs.AI

AI总结 本文研究了多模态简答评分与反馈问题，通过生成数据集评估了四种多模态大语言模型，展示了其在正确性预测和图像相关性评估中的性能。

ARGaze: Autoregressive Transformers for Online Egocentric Gaze Estimation

ARGaze：用于在线第一人称注视估计的自回归变换器

Jia Li, Wenjie Zhao, Shijian Deng, Bolin Lai, Yuheng Wu, RUijia Chen, Jon E. Froehlich, Yuhang Zhao, Yapeng Tian

机构 * Department of Computer Science, University of Texas at Dallas, Richardson, TX, USA.（德克萨斯大学达拉斯分校计算机科学系） ； College of Computing, Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院计算机学院） ； Department of Computer Science, University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系） ； Allen School of Computer Science, University of Washington, USA（华盛顿大学阿伦计算机科学学院） 纠错

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

AI总结 ARGaze通过自回归变换器模型，利用时间连续性提升在线第一人称注视估计的鲁棒性与准确性。