实体
large vision-language models (LVLMs)
large vision-language models (LVLMs)
PulseAugur coverage of large vision-language models (LVLMs) — every cluster mentioning large vision-language models (LVLMs) across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的MTRS基准和CRAFT-Agent应对多时相视觉语言任务
研究人员引入了一项名为多时相指代分割（MTRS）的新任务，用于评估大型视觉语言模型（LVLMs）理解和分割多张带时间戳图像中语言描述的变化的能力。他们还开发了CRAFT-Agent，一个用于构建名为MTRefSeg-21K的数据集的管道，该数据集包含超过21,000个图像-文本-掩码三元组。为了解决现有模型在此任务上的表现不佳的问题，他们提出了MTRefSeg-R1，一个新颖的LVLM框架，该框架首先学习时间变化感知，然后进行语言引导…
-
新的SRPO方法增强了视觉语言模型的模态推理能力
研究人员推出了一种名为结构化角色感知策略优化（SRPO）的新方法，以增强大型视觉语言模型（LVLMs）的推理能力。SRPO通过在token级别分配信用，区分负责视觉感知和负责推导答案的token，从而解决了当前强化学习技术的局限性。该方法通过使用自蒸馏对比来强调特定角色的信号，从而改进了现有的组相对策略优化（GRPO），在没有外部奖励模型的情况下提高了证据基础的推理能力。