投稿者「jarxiv」のアーカイブ

SpatialScore: Towards Unified Evaluation for Multimodal Spatial Understanding

投稿日: 2025年5月23日 作成者: jarxiv

要約 マルチモーダル大手言語モデル（MLLM）は、問題を解決するタスクで印象的な … 続きを読む →

カテゴリー: cs.AI, cs.CV | SpatialScore: Towards Unified Evaluation for Multimodal Spatial Understanding はコメントを受け付けていません

When Are Concepts Erased From Diffusion Models?

投稿日: 2025年5月23日 作成者: jarxiv

要約 モデルが特定の概念を生成するのを選択的に防止する能力である概念消去は、関心 … 続きを読む →

カテゴリー: cs.CV, cs.LG | When Are Concepts Erased From Diffusion Models? はコメントを受け付けていません

Multi-SpatialMLLM: Multi-Frame Spatial Understanding with Multi-Modal Large Language Models

投稿日: 2025年5月23日 作成者: jarxiv

要約 マルチモーダルの大手言語モデル（MLLM）は視覚的なタスクで急速に進歩して … 続きを読む →

カテゴリー: cs.CL, cs.CV | Multi-SpatialMLLM: Multi-Frame Spatial Understanding with Multi-Modal Large Language Models はコメントを受け付けていません

Interactive Post-Training for Vision-Language-Action Models

投稿日: 2025年5月23日 作成者: jarxiv

要約 リップVLAを紹介します。これは、スパースバイナリの成功報酬のみを使用して … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO | Interactive Post-Training for Vision-Language-Action Models はコメントを受け付けていません

Delving into RL for Image Generation with CoT: A Study on DPO vs. GRPO

投稿日: 2025年5月23日 作成者: jarxiv

要約 最近の進歩は、大規模な言語モデル（LLM）の考え方（COT）の推論能力を高 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG | Delving into RL for Image Generation with CoT: A Study on DPO vs. GRPO はコメントを受け付けていません

CrossLMM: Decoupling Long Video Sequences from LMMs via Dual Cross-Attention Mechanisms

投稿日: 2025年5月23日 作成者: jarxiv

要約 大規模なマルチモーダルモデル（LMMS）の出現により、多様なデータモダリテ … 続きを読む →

カテゴリー: cs.CV | CrossLMM: Decoupling Long Video Sequences from LMMs via Dual Cross-Attention Mechanisms はコメントを受け付けていません

Let Androids Dream of Electric Sheep: A Human-like Image Implication Understanding and Reasoning Framework

投稿日: 2025年5月23日 作成者: jarxiv

要約 既存のモデルは、視覚コンテンツに組み込まれた微妙な文化的、感情的、文脈的意 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.CY | Let Androids Dream of Electric Sheep: A Human-like Image Implication Understanding and Reasoning Framework はコメントを受け付けていません

SophiaVL-R1: Reinforcing MLLMs Reasoning with Thinking Reward

投稿日: 2025年5月23日 作成者: jarxiv

要約 最近の進歩は、結果報酬を備えたルールベースの強化学習（RL）を通じて、マル … 続きを読む →

カテゴリー: cs.CV | SophiaVL-R1: Reinforcing MLLMs Reasoning with Thinking Reward はコメントを受け付けていません

GoT-R1: Unleashing Reasoning Capability of MLLM for Visual Generation with Reinforcement Learning

投稿日: 2025年5月23日 作成者: jarxiv

要約 視覚生成モデルは、テキストプロンプトから現実的な画像を作成する際に顕著な進 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.LG, cs.MM | GoT-R1: Unleashing Reasoning Capability of MLLM for Visual Generation with Reinforcement Learning はコメントを受け付けていません

ARB: A Comprehensive Arabic Multimodal Reasoning Benchmark

投稿日: 2025年5月23日 作成者: jarxiv

要約 大規模なマルチモーダルモデル（LMM）がより能力が高まるにつれて、最終出力 … 続きを読む →

カテゴリー: cs.CV | ARB: A Comprehensive Arabic Multimodal Reasoning Benchmark はコメントを受け付けていません