Metis-SPECS: Decoupling Multimodal Learning via Self-distilled Preference-based Cold Start
Metis-SPECS: 通过基于偏好自我蒸馏的冷启动解耦多模态学习
Kun Chen, Peng Shi, Haibo Qiu, Zhixiong Zeng, Siqi Yang, Wenji Mao, Lin Ma
机构
*
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
；
MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS）
；
Meituan（美团）
专题命中
视觉推理
：vision language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG
Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning
基于框架的思考：视觉上下文和测试时扩展如何增强视频推理
Chengzu Li, Zanyi Wang, Jiaang Li, Yi Xu, Han Zhou, Huanyu Zhang, Ruichuan An, Dengyang Jiang, Zhaochong An, Ivan Vulić, Serge Belongie, Anna Korhonen
机构
*
University of Cambridge（剑桥大学）
；
Pioneer Center for AI, University of Copenhagen（人工智能先锋中心，哥本哈根大学）
；
Hong Kong University of Science（香港科学大学）
；
University of California San Diego（加州大学圣地亚哥分校）
；
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
；
Peking University（北京大学）
KiVA: Kid-inspired Visual Analogies for Testing Large Multimodal Models
KiVA：儿童启发的视觉类比用于测试大多模态模型
Eunice Yiu, Maan Qraitem, Anisa Noor Majhi, Charlie Wong, Yutong Bai, Shiry Ginosar, Alison Gopnik, Kate Saenko
机构
*
University of California, Berkeley（加州大学伯克利分校）
；
Boston University（波士顿大学）
；
Google DeepMind（谷歌DeepMind）
；
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）
机构
*
Zhejiang University（浙江大学）
；
Nanjing University of Science and Technology（南京理工大学）
；
Huzhou University（湖州大学）
；
Harbin Institute of Technology（哈尔滨工业大学）
专题命中
视觉推理
：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结
SKG2DATA通过空间知识图引导多模态合成，提升多模态大语言模型的空间感知与推理能力。
CommentsIEEE/ACM Transactions on Audio, Speech and Language Processing
机构
*
Peking University（北京大学）
；
Hong Kong University of Science and Technology（香港科学与技术大学）
；
Chinese University of Hong Kong（香港中文大学）
；
University of California, Santa Barbara（加州大学圣芭芭拉分校）
