AI 大模型

多模态大模型

跨文本、图像、视频、音频等模态的大模型与学习方法。

2026-02-25 至 2026-02-25 共收录 3 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 视频多模态 3 篇

2602.20739 2026-02-25 cs.AI cs.CV 62%

PyVision-RL: Forging Open Agentic Vision Models via RL

通过强化学习构建开放代理视觉模型：PyVision-RL

Shitian Zhao, Shaoheng Lin, Ming Li, Haoquan Zhang, Wenshuo Peng, Kaipeng Zhang, Chen Wei

机构 * Shanghai AI Lab（上海人工智能实验室）； Rice University（里士满大学）； Shanda AI Research, Tokyo（上海沙达人工智能研究东京）

专题命中视频多模态：multimodal(abstract)；分类 cs.CV、cs.AI

AI总结 PyVision-RL通过强化学习框架解决多模态代理的交互崩溃问题，结合回放策略和累积奖励提升多轮推理能力，实现高效视频理解与处理。

Comments preprint

2602.21137 2026-02-25 cs.CV 57%

UDVideoQA: A Traffic Video Question Answering Dataset for Multi-Object Spatio-Temporal Reasoning in Urban Dynamics

UDVideoQA: 一个用于城市动态多对象时空推理的交通视频问答数据集

Joseph Raj Vishal, Nagasiri Poluri, Katha Naik, Rutuja Patil, Kashyap Hegde Kota, Krishna Vinod, Prithvi Jai Ramesh, Mohammad Farhadi, Yezhou Yang, Bharatesh Chakravarthi

机构 * Arizona State University（亚利桑那州立大学）

专题命中视频多模态：multimodal(abstract)；分类 cs.CV

AI总结 UDVideoQA是一个用于城市动态多对象时空推理的交通视频问答数据集，通过统一标注流程生成28K问题-答案对，评估视觉定位和因果推理能力。

2602.17372 2026-02-25 cs.CV 57%

Tree crop mapping of South America reveals links to deforestation and conservation

南美树作物制图揭示与森林砍伐和保护的联系

Yuchang Jiang, Anton Raichuk, Xiaoye Tong, Vivien Sainte Fare Garnot, Daniel Ortiz-Gonzalo, Dan Morris, Konrad Schindler, Jan Dirk Wegner, Maxim Neumann

机构 * Google DeepMind（谷歌DeepMind）； EcoVision Lab, DM3L, University of Zurich（EcoVision实验室、DM3L、苏黎世大学）； University of Zurich（苏黎世大学）； University of Copenhagen（哥本哈根大学）； Google Research（谷歌研究）； ETH Zürich（苏黎世联邦理工学院）

专题命中视频多模态：multi-modal(abstract)；分类 cs.CV

AI总结本研究通过高分辨率树作物制图揭示南美树作物与森林砍伐的联系，为制定有效且公平的保护政策提供依据。