Buchumschlag

Cobra: Extending Mamba to Multi-Modal Large Language Model for Efficient Inference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Han, Zhang, Min, Zhao, Wei, Ding, Pengxiang, Huang, Siteng, Wang, Donglin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PiTe: Pixel-Temporal Alignment for Large Video-Language Model
von: Liu, Yang, et al.
Veröffentlicht: (2024)

QUAR-VLA: Vision-Language-Action Model for Quadruped Robots
von: Ding, Pengxiang, et al.
Veröffentlicht: (2023)

SSR: Enhancing Depth Perception in Vision-Language Models via Rationale-Guided Spatial Reasoning
von: Liu, Yang, et al.
Veröffentlicht: (2025)

ProFD: Prompt-Guided Feature Disentangling for Occluded Person Re-Identification
von: Cui, Can, et al.
Veröffentlicht: (2024)

QUART-Online: Latency-Free Large Multimodal Language Model for Quadruped Robot Learning
von: Tong, Xinyang, et al.
Veröffentlicht: (2024)

ML-Mamba: Efficient Multi-Modal Large Language Model Utilizing Mamba-2
von: Huang, Wenjun, et al.
Veröffentlicht: (2024)

CARP: Visuomotor Policy Learning via Coarse-to-Fine Autoregressive Prediction
von: Gong, Zhefei, et al.
Veröffentlicht: (2024)

Focus-Consistent Multi-Level Aggregation for Compositional Zero-Shot Learning
von: Dai, Fengyuan, et al.
Veröffentlicht: (2024)

Troika: Multi-Path Cross-Modal Traction for Compositional Zero-Shot Learning
von: Huang, Siteng, et al.
Veröffentlicht: (2023)

Filter, Correlate, Compress: Training-Free Token Reduction for MLLM Acceleration
von: Han, Yuhang, et al.
Veröffentlicht: (2024)

M2IST: Multi-Modal Interactive Side-Tuning for Efficient Referring Expression Comprehension
von: Liu, Xuyang, et al.
Veröffentlicht: (2024)

Sparse-Tuning: Adapting Vision Transformers with Efficient Fine-tuning and Inference
von: Liu, Ting, et al.
Veröffentlicht: (2024)

VGDiffZero: Text-to-image Diffusion Models Can Be Zero-shot Visual Grounders
von: Liu, Xuyang, et al.
Veröffentlicht: (2023)

Unified Diffusion VLA: Vision-Language-Action Model via Joint Discrete Denoising Diffusion Process
von: Chen, Jiayi, et al.
Veröffentlicht: (2025)

Global Compression Commander: Plug-and-Play Inference Acceleration for High-Resolution Large Vision-Language Models
von: Liu, Xuyang, et al.
Veröffentlicht: (2025)

Expressive Forecasting of 3D Whole-body Human Motions
von: Ding, Pengxiang, et al.
Veröffentlicht: (2023)

Hypergraph Multi-modal Large Language Model: Exploiting EEG and Eye-tracking Modalities to Evaluate Heterogeneous Responses for Video Understanding
von: Wu, Minghui, et al.
Veröffentlicht: (2024)

Rethinking Target Label Conditioning in Adversarial Attacks: A 2D Tensor-Guided Generative Approach
von: Liu, Hangyu, et al.
Veröffentlicht: (2025)

OpenHelix: A Short Survey, Empirical Analysis, and Open-Source Dual-System VLA Model for Robotic Manipulation
von: Cui, Can, et al.
Veröffentlicht: (2025)

ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver
von: Song, Wenxuan, et al.
Veröffentlicht: (2025)

Exploring the Evolution of Physics Cognition in Video Generation: A Survey
von: Lin, Minghui, et al.
Veröffentlicht: (2025)

Prompt-based Distribution Alignment for Unsupervised Domain Adaptation
von: Bai, Shuanghao, et al.
Veröffentlicht: (2023)

VARD: Efficient and Dense Fine-Tuning for Diffusion Models with Value-based RL
von: Dai, Fengyuan, et al.
Veröffentlicht: (2025)

PD-VLA: Accelerating Vision-Language-Action Model Integrated with Action Chunking via Parallel Decoding
von: Song, Wenxuan, et al.
Veröffentlicht: (2025)

Cobra: Efficient Line Art COlorization with BRoAder References
von: Zhuang, Junhao, et al.
Veröffentlicht: (2025)

CapVector: Learning Transferable Capability Vectors in Parametric Space for Vision-Language-Action Models
von: Song, Wenxuan, et al.
Veröffentlicht: (2026)

SmartHome-Bench: A Comprehensive Benchmark for Video Anomaly Detection in Smart Homes Using Multi-Modal Large Language Models
von: Zhao, Xinyi, et al.
Veröffentlicht: (2025)

GeRM: A Generalist Robotic Model with Mixture-of-experts for Quadruped Robot
von: Song, Wenxuan, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Transferability via Component-Wise Transformation
von: Liu, Hangyu, et al.
Veröffentlicht: (2025)

Variation-aware Vision Token Dropping for Faster Large Vision-Language Models
von: Chen, Junjie, et al.
Veröffentlicht: (2025)

Holistic Autonomous Driving Understanding by Bird's-Eye-View Injected Multi-Modal Large Models
von: Ding, Xinpeng, et al.
Veröffentlicht: (2024)

Slow-Fast Architecture for Video Multi-Modal Large Language Models
von: Shi, Min, et al.
Veröffentlicht: (2025)

LongHalQA: Long-Context Hallucination Evaluation for MultiModal Large Language Models
von: Qiu, Han, et al.
Veröffentlicht: (2024)

Jailbreak Large Vision-Language Models Through Multi-Modal Linkage
von: Wang, Yu, et al.
Veröffentlicht: (2024)

M3D: Advancing 3D Medical Image Analysis with Multi-Modal Large Language Models
von: Bai, Fan, et al.
Veröffentlicht: (2024)

Learning Disentangled Identifiers for Action-Customized Text-to-Image Generation
von: Huang, Siteng, et al.
Veröffentlicht: (2023)

Vision-Motion-Reference Alignment for Referring Multi-Object Tracking via Multi-Modal Large Language Models
von: Lv, Weiyi, et al.
Veröffentlicht: (2025)

Trajectory Mamba: Efficient Attention-Mamba Forecasting Model Based on Selective SSM
von: Huang, Yizhou, et al.
Veröffentlicht: (2025)

Sigma: Siamese Mamba Network for Multi-Modal Semantic Segmentation
von: Wan, Zifu, et al.
Veröffentlicht: (2024)

MM-DETR: An Efficient Multimodal Detection Transformer with Mamba-Driven Dual-Granularity Fusion and Frequency-Aware Modality Adapters
von: Han, Jianhong, et al.
Veröffentlicht: (2025)