MANZANO: A Simple and Scalable Unified Multimodal Model with a Hybrid Vision Tokenizer
机构 * Apple(苹果公司)
专题命中 VLM训练与架构 :multimodal large language model(abstract);分类 cs.CV、cs.LG
AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
机构 * Apple(苹果公司)
专题命中 VLM训练与架构 :multimodal large language model(abstract);分类 cs.CV、cs.LG
专题命中 VLM训练与架构 :MLLM(abstract);分类 cs.AI、cs.LG
机构 * Shenzhen Technology University(深圳科技大学) ; University of Washington(华盛顿大学) ; Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究院,中国科学院)
专题命中 VLM训练与架构 :multimodal large language model(abstract);分类 cs.CV、cs.AI
Comments 13 pages,12 figures
机构 * Department of Education and Humanities, University of Modena and Reggio Emilia(教育与人文学院, Modena and Reggio Emilia大学)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
机构 * University of Southhampton(南安普顿大学) ; KAIST(韩国科学技术院)
专题命中 VLM训练与架构 :VLM(abstract);分类 cs.CV、cs.AI
Comments 17 pages, 5 figures, 9 tables
机构 * Center for Research in Computer Vision, University of Central Florida(计算机视觉研究中心,中央佛罗里达大学)
专题命中 VLM训练与架构 :LLaVA(abstract);分类 cs.CV、cs.LG
Comments The dataset and code used in this submission is available at: https://ucf-crcv.github.io/GAEA/
机构 * Beijing University of Posts and Telecommunications(北京邮电大学)
专题命中 VLM训练与架构 :multimodal large language model(abstract);分类 cs.CV、cs.AI
机构 * The State Key Laboratory of Blockchain and Data Security(区块链与数据安全国家重点实验室) ; Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新技术区(滨江)区块链与数据安全研究院) ; Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算机系) ; School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院)
专题命中 VLM训练与架构 :LLaVA(abstract);分类 cs.CV、cs.AI
Comments Accepted at EMNLP 2025 Main
机构 * SNU(首尔国立大学)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments 6 pages, 4 figures, NeurIPS Creative AI Track 2025
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University(多媒体可信感知与高效计算重点实验室,教育部,厦门大学) ; Tencent Youtu Lab(腾讯优图实验室)
专题命中 VLM训练与架构 :LLaVA(abstract);分类 cs.CV、cs.AI
Comments Accepted by ACMMM 2025
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
机构 * Tel Aviv University(特拉维夫大学) ; Google Research(谷歌研究)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.LG
Comments Accepted to NAACL 2025
Journal ref Proceedings of the 2025 Conference of the North American Chapter of the Association for Computational Linguistics, Human Language Technologies, Long Papers, pp. 10497-10518
专题命中 VLM训练与架构 :VLM(abstract);分类 cs.CV、cs.AI
Comments 28 pages, 6 figures, under review
机构 * UNC Chapel Hill(北卡罗来纳大学教堂山分校) ; Lambda
专题命中 VLM训练与架构 :MLLM(abstract);分类 cs.CV、cs.AI
Comments Project Page: https://bifrost-1.github.io
机构 * ByteDance(字节跳动)
专题命中 VLM训练与架构 :LLaVA(abstract);分类 cs.CV、cs.AI
Comments CVPR 2025; Code and models: https://github.com/ByteVisionLab/TokenFlow
机构 * LMU Munich(慕尼黑大学) ; Technical University of Munich(慕尼黑技术大学) ; Siemens AG(西门子股份公司) ; University of Science and Technology of China(中国科学技术大学) ; Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心) ; Konrad Zuse School of Excellence in Reliable AI (relAI)(Konrad Zuse可靠性人工智能卓越学院) ; University of Oxford(牛津大学)
专题命中 VLM训练与架构 :multimodal large language model(abstract);分类 cs.CV、cs.AI
Comments Accepted to COLM 2025
机构 * Department of Energy Technology(能源技术系) ; Aalborg University(奥尔堡大学)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.LG
Comments 11 pages, 8 figures
机构 * Cooperative Medianet Innovation Center, Shanghai Jiao Tong University(合作中位网创新中心,上海交通大学) ; School of Artificial Intelligence, Shanghai Jiao Tong University(人工智能学院,上海交通大学) ; Shanghai Innovation Institute(上海创新研究院) ; Shanghai Artificial Intelligence Laboratory(上海人工智能实验室) ; Beijing Institute of Technology(北京理工大学) ; A*STAR Centre for Frontier AI Research(A*STAR前沿人工智能研究中心)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments 16 pages, Accepted at IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.LG
Comments To appear in ICCV 2025
机构 * University of Michigan(密歇根大学) ; Johns Hopkins University(约翰霍普金斯大学) ; Central South university(中南大学) ; HKGAI
专题命中 VLM训练与架构 :LLaVA(abstract);分类 cs.AI、cs.LG
Comments 6 pages
机构 * EPFL(苏黎世联邦理工学院) ; Mila - Quebec AI Institute Mcgill University(蒙特利尔麦吉尔大学人工智能研究所) ; Westlake University(西湖大学)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments Accepted by ACM MM 2025
机构 * Flipkart Data Science(Flipkart数据科学)
专题命中 VLM训练与架构 :vision language model(abstract);分类 cs.CV、cs.AI
机构 * StepFun Inc(StepFun公司)
专题命中 VLM训练与架构 :VLM(abstract);分类 cs.AI、cs.LG
机构 * Fudan University(复旦大学) ; Shanghai AI Lab(上海人工智能实验室) ; Tsinghua University(清华大学) ; The University of Hong Kong(香港大学)
专题命中 VLM训练与架构 :VLM(abstract);分类 cs.CV、cs.AI
Comments Work in progress
专题命中 VLM训练与架构 :MLLM(abstract);分类 cs.AI、cs.LG
Comments 34 pages
机构 * The Key Laboratory of Smart Human-Computer Interaction(智能人机交互关键实验室) ; Wearable Technology of Shaanxi Province, Xidian University, Xi'an, China(陕西 wearable 技术, 西安电子科技大学, 中国) ; Nanjing University of Science and Technology(南京理工大学)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
机构 * University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校) ; BiliBili(哔哩哔哩) ; Shanghai University of Finance and Economics(上海财经大学)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.AI、cs.LG
机构 * School of Computing Science, University of Glasgow(计算科学学院,格拉斯哥大学)
专题命中 VLM训练与架构 :visual language model(abstract);分类 cs.CV、cs.LG
Comments Accepted by BioNLP@ACL 2024
Journal ref Proceedings of the 23rd Workshop on Biomedical Natural Language Processing, ACL 2024, pp. 624-634
机构 * Carnegie Mellon University(卡内基梅隆大学) ; Singapore Management University(新加坡管理学院)
专题命中 VLM训练与架构 :vision-language model(abstract);分类 cs.CV、cs.AI
Comments ASSETS 2025
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,自动化研究所) ; School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院) ; School of Computer Science and Cyber Engineering, Guangzhou University(广州大学计算机科学与网络工程学院)
专题命中 VLM训练与架构 :LLaVA(abstract);分类 cs.AI、cs.LG
Comments 13 pages, 8 figures