精选 72 篇，从 8600+ 条中筛选
该项目是Twitter推荐的算法语言，旨在为Twitter产品提供内容推荐服务。它通过一系列服务和作业构建了推荐系统，包括数据处理、模型、软件框架等。项目定位为开发框架，核心功能是提供推荐算法和数据处理服务，解决内容推荐中的个性化问题。技术架构亮点在于其复杂的组件和数据处理能力，包括SimClusters、TwHIN、trust-and-safety-models等。在LLM生态中，该项目通过提供高效的内容推荐解决方案，具有显著的价值。
Ralph for Claude Code是一个专注于自动AI开发循环的工具，旨在通过智能退出检测和速率限制，帮助开发者实现持续自动化的开发周期。该项目为应用开发者提供了一种独特的解决方案，通过集成Claude Code，优化了AI驱动的开发流程，填补了自动化AI开发工具的空白。
Buzz是一款基于Python开发的音频转写和翻译工具，旨在为个人电脑提供离线音频处理能力。它利用OpenAI的Whisper模型，支持多种音频和视频文件的转写和翻译，并具备实时音频转录、语音分离、演讲者识别等功能。Buzz填补了离线音频处理领域的空白，为研究者、开发者及普通用户提供便捷的音频处理解决方案。
Tongyi-MAI/Z-Image-Turbo是一款高效能的图像生成模型，定位为多模态模型。它具有6B参数，采用单流扩散Transformer架构，支持双语（英语和中文）文本渲染。该模型在H800 GPU上实现亚秒级推理延迟，适用于16G VRAM的消费级设备。它在图像生成、文本到图像转换等方面表现出色，适用于需要快速、高效图像生成的场景。
Lightricks/LTX-2是一款基于DiT架构的多模态音频-视频基础模型，专注于生成同步的视频和音频。该模型具有灵活的下载量和点赞数，支持多种语言，并采用diffusers库。LTX-2在图像到视频、文本到视频等多个领域具有广泛应用，其开源协议和丰富的模型版本提供了灵活的部署选项。在性能上，LTX-2在多模态任务中表现出色，尤其在视频生成方面具有显著优势。
K-EXAONE是一款由LG AI Research开发的通用大语言模型，具有236亿参数，支持多语言。其核心架构为Mixture-of-Experts，具备高效的推理能力和长上下文处理能力。在多个基准测试中表现出色，尤其在推理、多语言理解和长文本处理方面。K-EXAONE适用于需要多语言处理和长文本生成的场景，具有开源协议、高效的推理效率，并与主流推理框架兼容。
MiniMax-M2.1是一款定位在通用大模型范畴内的LLM，具有高性能和丰富的功能。它基于transformers库，采用自定义的架构，支持FP8精度，上下文长度可达200K。在性能上，该模型在多个基准测试中表现出色，具有代码生成、数学推理等多方面的能力。开源协议为modified MIT，适合在多种硬件和推理框架上使用。
LiquidAI/LFM2.5-1.2B-Instruct是一款针对边缘设备部署的混合模型，定位为通用大模型。其核心能力在于高效能的推理和轻量级的设计，特别适合移动和边缘设备。该模型在1.2B参数量下实现了高性能，具有239 tok/s的解码速度，并支持多种硬件平台。在性能表现上，LFM2.5-1.2B-Instruct在权威基准测试中表现出色，尤其在边缘设备推理方面具有显著优势。主要应用场景包括移动设备上的自然语言处理任务，如对话系统、文本生成等。其开源协议、轻量级设计和高效的推理能力使其成为边缘计算和移动应用的首选。
MiroThinker-v1.5-235B是一款定位为推理模型的LLM，具有235B参数量，支持交互式扩展，能够进行深度和频繁的模型-环境交互。其核心技术包括Qwen3_MoE架构和text-generation pipeline。在性能上，MiroThinker-v1.5-235B在多个基准测试中表现出色，具有代码生成、数学推理等多方面的能力。该模型开源，适用于需要高交互和信息检索能力的场景，如智能问答系统。
LiquidAI/LFM2.5-Audio-1.5B是一款专注于音频处理的多模态语言模型，定位为多模态模型。其核心技术包括基于LFM的音频去标记器、FastConformer音频编码器和RQ-transformer。该模型在音频到音频的转换任务中表现出色，支持实时语音到语音对话。性能方面，模型在ASR和TTS任务中表现良好，参数量适中，适合实时交互场景。主要应用场景包括语音助手、实时翻译等。
该模型Qwen-Image-Edit-2511-Multiple-Angles-LoRA是一个专注于图像编辑的多角度相机控制LoRA模型，属于多模态模型类别。它基于Qwen/Qwen-Image-Edit-2511模型，具有96个相机位置，支持低角度拍摄，并使用高精度的Gaussian Splatting数据进行训练。该模型在图像编辑领域具有显著优势，特别适合需要多角度控制和精确图像编辑的场景。模型性能表现在其能够生成高质量的图像编辑结果，并在特定任务上表现出色。该模型开源，使用Apache-2.0协议，适合在具有适当硬件和推理框架的环境中应用。
Falcon-H1R-7B是一款推理优化的LLM，基于Falcon-H1-7B-Base模型，通过冷启动监督微调和RL增强，在数学、编程、指令遵循和逻辑推理等基准测试中表现出色。该模型采用混合架构，支持英语和多种语言，具有优秀的推理能力，适用于需要复杂推理任务的场景。
HyperCLOVA X SEED 32B Think 是一款基于Transformer架构的多模态推理模型，定位为多模态模型。该模型具有32B的参数量，支持长达128K的上下文长度，并具备深度推理能力。它在多个基准测试中表现出色，尤其在视觉理解和代理任务方面。该模型适用于需要多模态理解和深度推理的场景，如文本生成、图像理解等。
tencent/HY-MT1.5-1.8B 是一款专注于多语言翻译的通用大模型，具有1.8B参数量。该模型在Hugging Face平台上表现出色，支持33种语言的互译，并包含5种民族和方言变体。其核心技术包括Transformer架构和上下文长度优化，性能上与更大的版本相当，但更适用于边缘设备和实时翻译场景。该模型在开源协议下提供，具有高效的推理性能，适用于需要多语言翻译的广泛应用场景。
Kijai/LTXV2_comfy是一款专注于ComfyUI的LTX2模型，定位为特定领域微调模型。其核心技术为LTX2架构，支持gguf和comfyui标签，适用于多模态扩展。该模型在性能上具有竞争力，但未提供具体基准测试结果。开源协议为ltx-2-community-license-agreement，硬件需求及推理效率信息未指定。主要应用场景为ComfyUI相关任务。
Qwen3-VL-Embedding-2B是一款多模态嵌入模型，定位为通用大模型。它基于Qwen3-VL基础模型，具备处理文本、图像、截图和视频等多样化输入的能力。模型采用统一的表示学习，生成语义丰富的向量，支持超过30种语言。在性能上，该模型在多模态检索和跨模态理解任务中表现出色，具有高效相似计算和检索能力。其主要应用场景包括图像-文本检索、视频-文本匹配、视觉问答和内容聚类等。
MiroThinker-v1.5-30B是一款定位为推理模型的LLM，具有30B参数量，支持交互式扩展，能够进行深度和频繁的模型-环境交互。其核心技术包括Qwen3_MoE和text-generation，具备强大的信息检索和推理能力。在MMLU、GPQA等基准测试中表现优异。适用于需要高级推理和信息检索的场景，如问答系统、智能客服等。开源协议为MIT，硬件需求较高，推理效率良好。
Qwen3-VL-Embedding-8B是一款多模态嵌入模型，定位为通用大模型。它基于Qwen3-VL基础模型，具备处理文本、图像、视频等多种模态数据的能力。该模型采用统一的表示学习，生成语义丰富的向量，支持超过30种语言。在性能上，它能够高效地进行多模态检索和聚类，并在多个基准测试中表现出色。模型开源，支持自定义指令，适用于多种实际场景。
LiquidAI/LFM2.5-VL-1.6B是一款专注于视觉-语言任务的多模态模型，基于更新的LFM2.5-1.2B-Base模型，具有1.6B参数。该模型在多语言视觉理解、指令遵循和视觉内容理解方面表现出色，适用于图像到文本的转换任务。其性能在权威基准测试中表现良好，具有开源协议，适用于多种硬件平台，推理效率高。
Supertone/supertonic-2是一款专注于文本到语音（TTS）的模型，定位为特定领域的微调模型。它具有高效、轻量级的架构，支持多种语言，且在设备端运行，无需云端支持。该模型在性能上表现出色，具有极快的推理速度和低参数量，特别适合对实时性和隐私性有高要求的场景。其开源协议和跨平台兼容性使其易于集成和使用。
Qwen-Image-2512是一款专注于文本到图像生成的多模态模型，定位为多模态模型。其核心技术基于diffusers库，采用text-to-image pipeline，具有增强的人像真实感、更细腻的自然细节和改进的文本渲染能力。在AI Arena的测试中，Qwen-Image-2512表现出色，是目前最强的开源模型之一。该模型适用于需要高质量图像生成的场景，如艺术创作、设计等领域。其开源协议为Apache-2.0，对硬件要求较高，推理效率取决于具体硬件配置。
NousCoder-14B是一款专注于代码生成的领域大模型，基于Qwen3-14B进行强化学习后训练。该模型在LiveCodeBench v6基准测试中取得了67.87%的Pass@1准确率，显著优于基线模型。模型采用Apache-2.0开源协议，具有14B参数量，支持文本生成pipeline。其核心能力在于代码生成，适用于需要代码自动生成的场景，如软件开发、教育等。模型在硬件需求、推理效率等方面具有实用性，与vLLM等流行推理框架兼容。
nvidia/nemotron-speech-streaming-en-0.6b 是一款专注于语音识别的领域大模型，具有cache-aware ASR和streaming-asr的特点。该模型基于FastConformer架构，支持多种语音数据集，包括LibriSpeech、AMI等。在性能上，模型在LibriSpeech测试集上取得了2.31%的WER，表现出色。模型适用于需要高效率语音识别的场景，如智能客服、语音助手等。其开源协议为nvidia-open-model-license，适合在多种硬件平台上部署。
这篇论文提出了一种基于高斯曲率的3D面部夸张框架，通过结合3D高斯喷射技术，实现了对面部特征的夸张处理，同时通过训练方案和高效插值技术，实现了对夸张效果的实时控制，并取得了比以往工作更逼真的效果。
这篇论文提出了MMFormalizer，一个多模态自动形式化系统，它通过结合自适应接地和真实世界数学与物理领域的实体，将自然语言数学翻译成形式化语句，以支持机器推理。该系统通过递归地构建形式命题，并确保每个抽象都有视觉证据支持，从而解决了自然语言数学自动形式化在现实世界中的挑战。
这篇论文提出了一种轻量级的深度估计框架AnyDepth，通过使用DINOv3作为视觉编码器，并设计了一个紧凑的基于Transformer的解码器Simple Depth Transformer (SDT)，实现了高效的零样本单目深度估计。该方法通过单路径特征融合和上采样过程减少了计算开销，同时提高了精度，参数数量减少了85%-89%。此外，还提出了一种基于质量的过滤策略来提高训练数据的质量。
这篇论文介绍了Qwen3-VL-Embedding和Qwen3-VL-Reranker模型系列，这是基于Qwen3-VL基础模型的最新扩展。这两个模型共同提供了一个端到端的多模态搜索管道，可以将文本、图像、文档图像和视频等不同模态映射到一个统一的空间。Qwen3-VL-Embedding模型采用多阶段训练范式，从大规模对比预训练到重排序模型蒸馏，生成语义丰富的多维向量。Qwen3-VL-Reranker模型使用交叉编码架构和交叉注意力机制进行查询-文档对的细粒度相关性估计。这两个模型系列继承了Qwen3-VL的多语言能力，支持超过30种语言，并提供了2B和8B参数大小的版本以适应不同的部署需求。实验结果表明，Qwen3-VL-Embedding系列在多模态嵌入评估基准测试中取得了最先进的成果。
这篇论文提出了一种名为AgentOCR的框架，通过将累积的观察-动作历史表示为紧凑的渲染图像，利用视觉标记的高信息密度，以解决强化学习代理在多轮交互轨迹中训练时文本历史快速增长的问题。AgentOCR通过分段光学缓存和代理自压缩技术，显著减少了标记消耗，同时保持了基于文本的代理性能。
这篇论文提出了一种新的方法，通过内部化执行先验知识来替代昂贵的实时检查，从而在执行机器学习代理之前进行预测。该方法利用了世界模型的概念，并通过构建一个包含18,438个成对比较的数据集，展示了LLM在经过验证的数据分析报告预训练后具有显著的预测能力，实现了收敛速度的6倍提升。
这篇论文提出了Neighbor-Consistency Belief (NCB)方法，用于诊断大型语言模型（LLM）的真实性。通过评估模型在概念邻域内的响应一致性，该方法能够识别出在轻微的上下文干扰下，即使事实回答具有完美的自我一致性，也可能迅速崩溃的情况。实验表明，具有高NCB数据的模型在干扰下表现更稳定，并且通过结构感知训练（SAT）可以优化上下文不变的信念结构，减少长期知识脆弱性约30%。
这篇论文提出了一种名为“Thinking with Map”的强化并行地图增强智能体，用于图像地理定位任务。该方法通过结合地图信息，增强模型的能力，并采用强化学习和并行测试时间缩放技术，显著提高了定位的准确性。
这篇论文提出了一个名为Mole-Syn的方法，用于指导有效长链推理（Long CoT）结构的合成，通过分析长链推理轨迹中的分子结构，揭示了有效长链推理的特征，并提出了促进快速熵收敛的语义异构体，从而提升了长链推理的性能和强化学习的稳定性。
这篇论文提出了Router-Suggest，一个动态路由框架，用于在视觉基础对话中进行多模态自动完成。该框架根据对话上下文动态选择文本模型和视觉语言模型，显著提高了自动完成的准确性和效率。
这篇论文提出了SmartSearch框架，通过过程奖励和查询细化机制，优化了基于大型语言模型的搜索代理的查询质量，显著提升了搜索效率和查询准确性。
这篇论文介绍了Orient Anything V2，一个用于从单张或成对图像中统一理解物体3D方向和旋转的增强型基础模型。它通过生成模型合成的可扩展3D资产、高效的模型内循环标注系统、对称感知的周期分布拟合目标以及多帧架构等创新，实现了在方向估计、6DoF姿态估计和物体对称性识别方面的零样本性能提升。
这篇论文提出了EnvScaler，一个用于创建可扩展工具交互环境的自动化框架，通过程序性合成技术构建多样化的环境骨架和任务场景，显著提升了大型语言模型在复杂环境中的任务解决能力。
这篇论文提出了DR-LoRA，一种动态排名LoRA框架，用于混合专家适应。它通过动态调整专家的LoRA排名，解决了现有方法中参数分配不均的问题，从而提高了模型在下游任务中的性能。
这篇论文提出了一种名为IIB-LPO的新的强化学习方法，通过迭代信息瓶颈来优化潜在策略，以解决大型语言模型在推理学习中的探索崩溃问题。该方法通过改变探索方式，从统计扰动转向推理轨迹的拓扑分支，并使用信息瓶颈原理作为轨迹过滤器和自我奖励机制，从而实现多样化和信息丰富的探索。
这篇论文研究了搜索增强的大型语言模型（LLMs）在知识密集型任务中的过度搜索问题，通过系统评估和引入新的评估指标，提出了缓解过度搜索的方法，并发布了OverSearchQA数据集以促进高效搜索增强LLMs的研究。
这篇论文提出了一种名为Citation-aware Rubric Rewards (CaRR)的奖励框架，用于增强基于LLM的深度搜索代理的鲁棒性。CaRR通过将复杂问题分解为可验证的单跳标准，并要求代理通过识别隐藏实体、提供正确引用和构建完整的证据链来满足这些标准，从而促进推理的全面性和事实性。实验表明，这种方法在多个深度搜索基准上优于标准的结果基础RL基线。
这篇论文提出了VideoAR，一个基于多尺度下一帧预测和自回归建模的视频生成框架。它通过整合帧内自回归建模和因果下一帧预测，以及3D多尺度标记器，有效地编码时空动态。VideoAR通过多尺度时间RoPE、跨帧错误纠正和随机帧掩码等技术，提高了长期一致性，并在UCF-101数据集上实现了新的最先进结果。
这篇论文提出了一种名为Goal Force的新框架，通过使用显式的力向量和中间动力学来定义目标，从而解决视频模型中目标指定的问题。该框架训练了一个视频生成模型，使其能够通过时间和空间传播力，从而在简单的物理数据上实现零样本泛化到复杂的现实场景中。
这篇论文提出了一个名为GenCtrl的正式可控性工具包，用于评估生成模型的可控性。该工具包通过将人机交互视为控制过程，提出了一种新的算法来估计对话环境中的模型可控集。论文提供了关于估计误差的正式保证，并在对话过程控制、语言模型和文本到图像生成等任务上进行了实证验证，结果表明模型的可控性非常脆弱且高度依赖于实验设置。
Hugging Face 发布了 LoRA（低秩自适应）技术，这是一种用于微调大型语言模型的参数高效技术。LoRA 通过添加小的可训练适配器层来适应预训练模型，从而显著减少了计算需求、内存占用和训练时间，同时保持了与全微调方法相当的性能。
OpenMed项目在六个月内取得了显著进展，发布了380多个开源医疗AI模型，并推出了Python工具包和交互式终端用户界面。该项目旨在打破医疗AI领域的付费壁垒，为研究人员、临床医生和开发者提供高性能、可定制的工具。
本文探讨了视觉语言模型（VLM）微调过程中，数据策略中“多样性”与“密度”之间的权衡。作者通过实验比较了两种策略：多样性策略通过展示大量不同图像来帮助模型理解图像编码；密度策略则通过针对同一图像提出多种问题，迫使模型以不同方式解释相同的图像编码。实验结果表明，多样性策略在大多数情况下优于密度策略，尤其是在需要理解真实世界图像的基准测试中。然而，密度策略在非推理模型中表现出色，但推理模型存在逻辑崩溃的风险。
Hugging Face的MiniMaxAI团队发布了VIBE Bench，这是一个全新的全栈应用评估基准，旨在评估模型生成应用程序的真实用户体验。VIBE Bench通过模拟真实用户交互，对应用程序的执行、交互和视觉呈现进行评估，从而提供比传统基准更全面的评估。
这篇Hugging Face博客文章介绍了状态空间模型（SSM）的基本概念，包括其在控制理论和深度学习中的应用。文章详细解释了SSM的三个视图：连续视图、递归视图和卷积视图，并讨论了它们各自的优势和局限性。
NVIDIA发布了一种名为Nemotron Speech ASR的新实时语音识别模型，该模型通过缓存感知流式处理技术，实现了更高的效率和更低的延迟，为实时语音代理提供了新的基准。
Hugging Face 发布了两个新的 Llama Nemotron 模型，用于提高多模态搜索和视觉文档检索的准确性。这些模型能够处理文本和图像，并支持标准向量数据库，旨在为开发者提供高效、低延迟的视觉文档检索解决方案。
Hugging Face的官方博客发布了一篇关于小型语言模型最优架构的文章，介绍了通过实验发现的最优模型配置，包括深度、宽度、架构类型等，并推出了新的扩散模型Dhara-70M，该模型在保持较高准确性的同时，实现了更高的吞吐量和事实性。
Falcon H1R 7B，由阿布扎比的科技创新研究所（TII）开发，是一款仅具有解码功能的7B参数大型语言模型。它基于Falcon-H1 Base模型，在推理能力上取得了重大进步，参数效率极高，在多个推理密集型基准测试中表现出色。
Hugging Face发布了BERT Hash Embeddings模型系列，这些模型基于BERT Hash模型系列，生成固定维度的向量，用于语义文本相似度、语义搜索、释义挖掘、文本分类、聚类等。这些模型参数量小，性能优异，适用于边缘和低资源计算环境。
本文介绍了名为“abliteration”的技术，该技术可以取消任何大型语言模型（LLM）的审查机制，使其能够响应所有类型的提示。这项技术通过修改模型权重来阻止模型拒绝请求，从而提高了模型的灵活性和响应能力。
NVIDIA发布了Alpamayo，一个开源的模型、模拟工具和数据集生态系统，旨在促进基于推理的自动驾驶汽车（AV）架构的开发。Alpamayo提供了基础模型、大规模训练数据集和模拟框架，以支持在现实闭环环境中评估和训练现代推理AV架构。
Hugging Face宣布其MiniMax-M2.1模型在多语言和多任务编码方面取得了显著进步，该模型在代码生成、工具使用、指令遵循和长期规划方面表现出色。它通过构建覆盖多种编程语言的全面数据管道，实现了对真实世界编码场景的增强，并展示了在多种基准测试中的优异性能。
这篇公告介绍了NVIDIA Isaac Lab-Arena与Hugging Face的LeRobot集成，旨在加速开源物理AI的发展。开发者现在可以通过LeRobot EnvHub使用NVIDIA的Isaac GR00T N VLA模型、物理AI数据集、NVIDIA Isaac Lab-Arena评估框架和硬件平台，如Reachy 2机器人，来构建、实验和协作机器人模拟。
这篇公告详细记录了一位AI技术分析师在训练Action Chunking Transformer (ACT)模型上的经历，包括遇到的挑战、解决方案和经验教训。文章描述了如何使用SO-101机器人进行数据收集和训练，以及如何通过改进硬件设置、数据收集流程和评估流程来提高模型的性能。
这篇公告主要讨论了在Blackwell GPU上使用FP4 MoE内核工程的重要性，通过对比不同MoE后端在Blackwell B200 GPU上的性能，强调了内核工程对提高推理速度的关键作用。
Pruna社区成员Parag Ekbote通过使用Pruna库和PyTorch的torch.compile功能，对SmolLM模型进行了量化压缩和编译优化，显著提升了模型的速度和效率，同时保持了较高的准确度，使得模型在资源受限的硬件上也能高效运行。
本文介绍了如何从头开始构建一个简单的检索增强生成（RAG）系统，该系统结合了信息检索和文本生成，以增强语言模型的表现。文章详细解释了RAG系统的关键组件，包括检索模型和语言模型，并提供了使用Python和ollama实现RAG系统的示例代码。
本文介绍了KV缓存技术，这是一种优化Transformer推理效率的方法。通过缓存中间计算结果，模型可以避免重复计算，从而加快文本生成速度，提高效率。
本文探讨了当前常见的AI模型格式，包括GGUF、PyTorch、Safetensors和ONNX，并分析了每种格式的特点、优缺点以及适用场景。GGUF适用于生产环境和服务模型，PyTorch简单易用但存在安全性和效率问题，Safetensors注重安全性，ONNX提供跨框架互操作性。
TeleMem论文提出了一种统一的长期和多模态记忆系统，通过叙事动态提取保持用户资料的一致性，并引入结构化写作流程以提高存储效率和加速记忆操作。该系统结合了ReAct风格的推理，使系统能够在长期上下文中准确理解复杂视频内容，实验结果表明其在角色扮演游戏基准测试中超越了现有基准。
这篇论文提出了Test-Time Tool Evolution (TTE)方法，旨在解决现有基于LLM的智能体在科学推理中工具库的静态性和不完整性问题。TTE允许智能体在推理过程中合成、验证和进化可执行的工具，从而提高了工具的灵活性和效率，并通过SciEvo基准测试展示了其在准确性和工具效率方面的优越性能。
这篇论文提出了一种全新的方法，通过使用完全合成的任务、解决方案和测试案例来训练代码LLM，从而提高代码推理模型的性能，减少对真实世界数据的依赖。论文中提出的SynthSmith数据合成管道能够生成多样化的挑战性任务，并支持监督微调和强化学习。实验结果表明，X-Coder模型在LiveCodeBench上的表现优于其他模型，证明了该方法的有效性。
这篇论文提出了一种名为SwarmFoam的基于多类型大型语言模型的多智能体系统，用于OpenFOAM，旨在通过多模态感知、智能错误纠正和检索增强生成，实现更复杂的计算流体动力学（CFD）模拟。
这篇论文提出了BiasLab，一个用于量化大型语言模型输出层偏差的开放源代码、模型无关的评价框架。它通过多语言、面向鲁棒性的实验设计，使用严格的双重框架方案来构建镜像探针对，并通过随机化指令包装和固定选择的Likert响应格式来减少对提示模板的依赖，从而实现跨模型和语言的比较。
这篇论文提出了TreePS-RAG，一个基于树的强化学习框架，用于增强型检索生成（RAG）任务。它通过将RAG推理建模为 rollout tree，实现了对中间推理和动作的逐步信用分配，同时保留了标准的结果奖励。这种方法通过蒙特卡洛估计来估计步骤效用，从而提供了细粒度的过程优势，而不需要中间标签。
这篇论文提出了一种名为ES-Mem的框架，旨在解决长期对话代理中记忆的局限。该框架通过动态事件分割模块将长期交互分割成语义连贯的事件，并通过分层记忆架构构建多层级记忆，利用边界语义进行精确的情境定位。实验表明，ES-Mem在两个记忆基准测试中均优于基线方法。
这篇论文提出了COVR，一个协同优化框架，用于视觉强化学习（VRL）中视觉语言模型（VLM）和强化学习代理的优化。COVR通过使用强化学习代理生成的数据来微调VLM，并利用增强的VLM通过动作先验进一步指导策略学习，从而提高样本效率和性能。
这篇论文提出了BayesRAG，一种基于贝叶斯推理和Dempster-Shafer证据理论的新的多模态检索框架，用于解决当前检索增强生成（RAG）方法在处理视觉丰富文档时的局限性。该方法通过计算多模态检索结果的联合后验概率，优先选择在语义和布局上相互佐证的文本-图像对，从而提高了检索的鲁棒性。
