PaperWeekly
ICLR 2025 自动化所、旷视等提出Ross，多模态大模型的MAE时刻来了？
本文介绍了一篇关于多模态大模型的研究论文《Reconstructive Visual Instruction Tuning》，提出通过重建输入图像作为监督信号来提升视觉部分的学习效果，显著提高模型的细粒度理解能力，并且代码已开源。
无需RLHF显著提升GPT-4性能，北大团队提出对齐新范式「残差修正」 NeurIPS 2024 Oral
学习对齐答案和未对齐答案之间的残差，要比直接学习问题到答案之间的映射更容易。
背景
当下大语言模型（
阶跃多模态团队提出「慢感知」概念：迈向视觉system2 (o1) 的第一步
论文提出慢感知概念，通过分解和流动感知几何图形来提高视觉系统2的精细感知能力。研究显示，慢感知能提升模型对几何线段的解析能力，并在多种指标上优于基线方法。
国产模型如何追上多模态OpenAI o1？你需要知道的全在这
Kimi 团队发布了最新的多模态推理大模型 Kimi k1.5，其性能与正式版 o1 最为接近。通过 Long2Short 技术，该模型能够在有限的 token 预算下实现高性能推理，提升用户体验和资源利用效率。
354篇参考文献！史上最详尽综述：视觉定位任务十年发展系统性回顾
本综述系统性回顾了视觉定位（Visual Grounding）任务过去十年的发展历程，涵盖多种设置如全监督、弱监督、半监督等，并分析了各种数据集的表现。