Buchumschlag

WorldGPT: Empowering LLM as Multimodal World Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ge, Zhiqi, Huang, Hongzhe, Zhou, Mingze, Li, Juncheng, Wang, Guoming, Tang, Siliang, Zhuang, Yueting
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

InstructVid2Vid: Controllable Video Editing with Natural Language Instructions
von: Qin, Bosheng, et al.
Veröffentlicht: (2023)

LiveK12Bench: Have Large Multimodal Models Truly Conquered High School-level Examinations?
von: Wang, Xiaohan, et al.
Veröffentlicht: (2026)

Modeling Human Responses to Multimodal AI Content
von: Shen, Zhiqi, et al.
Veröffentlicht: (2025)

Learning Primitive Embodied World Models: Towards Scalable Robotic Learning
von: Sun, Qiao, et al.
Veröffentlicht: (2025)

Semantic Item Graph Enhancement for Multimodal Recommendation
von: Zhang, Xiaoxiong, et al.
Veröffentlicht: (2025)

LLMER: Crafting Interactive Extended Reality Worlds with JSON Data Generated by Large Language Models
von: Chen, Jiangong, et al.
Veröffentlicht: (2025)

Prolonged Reasoning Is Not All You Need: Certainty-Based Adaptive Routing for Efficient LLM/MLLM Reasoning
von: Lu, Jinghui, et al.
Veröffentlicht: (2025)

PRISM-XR: Empowering Privacy-Aware XR Collaboration with Multimodal Large Language Models
von: Chen, Jiangong, et al.
Veröffentlicht: (2026)

FashionReGen: LLM-Empowered Fashion Report Generation
von: Ding, Yujuan, et al.
Veröffentlicht: (2024)

GMFVAD: Using Grained Multi-modal Feature to Improve Video Anomaly Detection
von: Dai, Guangyu, et al.
Veröffentlicht: (2025)

LLM-Guided Semantic Relational Reasoning for Multimodal Intent Recognition
von: Zhou, Qianrui, et al.
Veröffentlicht: (2025)

MaLoRA: Gated Modality LoRA for Key-Space Alignment in Multimodal LLM Fine-Tuning
von: Zheng, Xinhan, et al.
Veröffentlicht: (2025)

Distilling Vision-Language Foundation Models: A Data-Free Approach via Prompt Diversification
von: Xuan, Yunyi, et al.
Veröffentlicht: (2024)

A Survey on Multimodal Benchmarks: In the Era of Large AI Models
von: Li, Lin, et al.
Veröffentlicht: (2024)

QMAVIS: Long Video-Audio Understanding using Fusion of Large Multimodal Models
von: Lin, Zixing, et al.
Veröffentlicht: (2026)

Differential Multimodal Transformers
von: Li, Jerry, et al.
Veröffentlicht: (2025)

KEN: Knowledge Augmentation and Emotion Guidance Network for Multimodal Fake News Detection
von: Zhu, Peican, et al.
Veröffentlicht: (2025)

Personalized Image Generation with Large Multimodal Models
von: Xu, Yiyan, et al.
Veröffentlicht: (2024)

SEER: Semantic Enhancement and Emotional Reasoning Network for Multimodal Fake News Detection
von: Zhu, Peican, et al.
Veröffentlicht: (2025)

Why We Feel: Breaking Boundaries in Emotional Reasoning with Multimodal Large Language Models
von: Lin, Yuxiang, et al.
Veröffentlicht: (2025)

Image is All You Need to Empower Large-scale Diffusion Models for In-Domain Generation
von: Cao, Pu, et al.
Veröffentlicht: (2023)

Synthesizing Sentiment-Controlled Feedback For Multimodal Text and Image Data
von: Kumar, Puneet, et al.
Veröffentlicht: (2024)

Enhancing Multimodal Retrieval via Complementary Information Extraction and Alignment
von: Zeng, Delong, et al.
Veröffentlicht: (2026)

Has Multimodal Learning Delivered Universal Intelligence in Healthcare? A Comprehensive Survey
von: Lin, Qika, et al.
Veröffentlicht: (2024)

GeoGuess: Multimodal Reasoning based on Hierarchy of Visual Information in Street View
von: Cheng, Fenghua, et al.
Veröffentlicht: (2025)

Can Large Language Models Help Multimodal Language Analysis? MMLA: A Comprehensive Benchmark
von: Zhang, Hanlei, et al.
Veröffentlicht: (2025)

Robust Modality-incomplete Anomaly Detection: A Modality-instructive Framework with Benchmark
von: Miao, Bingchen, et al.
Veröffentlicht: (2024)

MixEval-X: Any-to-Any Evaluations from Real-World Data Mixtures
von: Ni, Jinjie, et al.
Veröffentlicht: (2024)

Emotion-LLaMA: Multimodal Emotion Recognition and Reasoning with Instruction Tuning
von: Cheng, Zebang, et al.
Veröffentlicht: (2024)

RA-BLIP: Multimodal Adaptive Retrieval-Augmented Bootstrapping Language-Image Pre-training
von: Ding, Muhe, et al.
Veröffentlicht: (2024)

PSA-MF: Personality-Sentiment Aligned Multi-Level Fusion for Multimodal Sentiment Analysis
von: Xie, Heng, et al.
Veröffentlicht: (2025)

Tri-Subspaces Disentanglement for Multimodal Sentiment Analysis
von: Meng, Chunlei, et al.
Veröffentlicht: (2026)

SynthGuard: An Open Platform for Detecting AI-Generated Multimedia with Multimodal LLMs
von: Desai, Shail, et al.
Veröffentlicht: (2025)

OmniMER: Auxiliary-Enhanced LLM Adaptation for Indonesian Multimodal Emotion Recognition
von: Yan, Xueming, et al.
Veröffentlicht: (2025)

WorldGPT: A Sora-Inspired Video AI Agent as Rich World Models from Text and Image Inputs
von: Yang, Deshun, et al.
Veröffentlicht: (2024)

Interpretable Multimodal Misinformation Detection with Logic Reasoning
von: Liu, Hui, et al.
Veröffentlicht: (2023)

When Harmful Content Gets Camouflaged: Unveiling Perception Failure of LVLMs with CamHarmTI
von: Li, Yanhui, et al.
Veröffentlicht: (2025)

Multimodal Emotion Recognition by Fusing Video Semantic in MOOC Learning Scenarios
von: Zhang, Yuan, et al.
Veröffentlicht: (2024)

RW-Post: Auditable Evidence-Grounded Multimodal Fact-Checking in the Wild
von: Xu, Danni, et al.
Veröffentlicht: (2026)

HiQuE: Hierarchical Question Embedding Network for Multimodal Depression Detection
von: Jung, Juho, et al.
Veröffentlicht: (2024)