实体
Multi-modal Large Language Model
Multi-modal Large Language Model
PulseAugur coverage of Multi-modal Large Language Model — every cluster mentioning Multi-modal Large Language Model across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新基准RefBench-PRO评估MLLM的感知和推理能力
研究人员推出了RefBench-PRO，这是一个旨在评估多模态大型语言模型（MLLM）在指代表达理解（REC）方面的感知和推理能力的新基准。该基准将REC分解为感知和推理维度，涵盖六项具有挑战性的任务，解决了现有基准主要关注感知能力的局限性。还开发了一个新颖的自动化数据生成管道和一个名为Ref-R1的基于强化学习的学习方案，以提高定位精度并为REC提供更强的基线。
-
AI管道对度假租赁房间进行分组并识别床型
研究人员开发了一个机器学习管道，用于在非结构化的度假租赁图像集合中自动发现和分组相似的房间场景。该系统通过识别不同的房间及其床型，帮助旅行者了解房产布局和睡眠配置。该管道集成了用于房间类型和重叠检测的监督模型、用于分组相似图像的聚类算法，以及一个多模态大语言模型（MLLM），用于将卧室分组映射到元数据指定的床型。评估表明，这种方法显著优于现有的对比学习等方法。
-
PointVG-R模型通过几何推理增强视觉基础 · 跟踪3个来源
研究人员开发了PointVG-R，这是一种新颖的推理引导多模态大语言模型（MLLM），旨在提高图像中精确点定位的准确性。该模型集成了几何感知推理、强化学习（RL）以及一个名为EgoPoint-CoT的新视觉思维链数据集。PointVG-R模拟人类解释手势的认知过程，并使用自适应重要性加权策略来优化学习。实验表明，PointVG-R取得了最先进的性能，在mIoU方面比基线模型高出15.86个百分点。