让 MLLM 潜变量起作用:电影级视频生成的因子感知预测学习
面向电影级视频生成,提出因子感知预测学习,使多模态大模型潜变量更好服务稀疏输入下的时序推理。
AI 深研院 · 重点 0 · 其他 15 条
Hugging Face Daily Papers 与 arXiv 精选
面向电影级视频生成,提出因子感知预测学习,使多模态大模型潜变量更好服务稀疏输入下的时序推理。
论文指出现有 VLM 细粒度视觉感知仍不可靠,提出 WeVisOne-VL 以统一从物体级到像素级的视觉感知。
提出 Quant-Arena,基准测试 LLM Agent 在量化交易研究闭环中的表现。
讨论物理世界 AI 如何不仅改进行为,也改进自身改进过程,梳理 RSI 在具身场景的挑战。
在真实 Web 环境评测 Deep Search 智能体,强调开放网页上的多步检索与综合,而非封闭语料。
研究如何把图像编辑为可复用图层,便于后续合成与再编辑。
论文提出面向多光谱数据的谱-空解释方法,提升对复杂光谱影像的可解释分析。
背景图 · Kirill Svetlakov · 经 Pinterest