MMWorld: Towards Multi-discipline Multi-faceted World Model Evaluation in Videos
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | He, Xuehai, Feng, Weixi, Zheng, Kaizhi, Lu, Yujie, Zhu, Wanrong, Li, Jiachen, Fan, Yue, Wang, Jianfeng, Li, Linjie, Yang, Zhengyuan, Lin, Kevin, Wang, William Yang, Wang, Lijuan, Wang, Xin Eric |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
EditRoom: LLM-parameterized Graph Diffusion for Composable 3D Room Layout Editing
par: Zheng, Kaizhi, et autres
Publié: (2024)
par: Zheng, Kaizhi, et autres
Publié: (2024)
LiVOS: Light Video Object Segmentation with Gated Linear Matching
par: Liu, Qin, et autres
Publié: (2024)
par: Liu, Qin, et autres
Publié: (2024)
List Items One by One: A New Data Source and Learning Paradigm for Multimodal LLMs
par: Yan, An, et autres
Publié: (2024)
par: Yan, An, et autres
Publié: (2024)
Mitigating Hallucination in Large Multi-Modal Models via Robust Instruction Tuning
par: Liu, Fuxiao, et autres
Publié: (2023)
par: Liu, Fuxiao, et autres
Publié: (2023)
MM-Vet: Evaluating Large Multimodal Models for Integrated Capabilities
par: Yu, Weihao, et autres
Publié: (2023)
par: Yu, Weihao, et autres
Publié: (2023)
Idea2Img: Iterative Self-Refinement with GPT-4V(ision) for Automatic Image Design and Generation
par: Yang, Zhengyuan, et autres
Publié: (2023)
par: Yang, Zhengyuan, et autres
Publié: (2023)
Bring Metric Functions into Diffusion Models
par: An, Jie, et autres
Publié: (2024)
par: An, Jie, et autres
Publié: (2024)
Entity6K: A Large Open-Domain Evaluation Dataset for Real-World Entity Recognition
par: Qiu, Jielin, et autres
Publié: (2024)
par: Qiu, Jielin, et autres
Publié: (2024)
Motion Consistency Model: Accelerating Video Diffusion with Disentangled Motion-Appearance Distillation
par: Zhai, Yuanhao, et autres
Publié: (2024)
par: Zhai, Yuanhao, et autres
Publié: (2024)
Can MLLMs Reason in Multimodality? EMMA: An Enhanced MultiModal ReAsoning Benchmark
par: Hao, Yunzhuo, et autres
Publié: (2025)
par: Hao, Yunzhuo, et autres
Publié: (2025)
Beyond Words: Advancing Long-Text Image Generation via Multimodal Autoregressive Models
par: Wang, Alex Jinpeng, et autres
Publié: (2025)
par: Wang, Alex Jinpeng, et autres
Publié: (2025)
COSMO: COntrastive Streamlined MultimOdal Model with Interleaved Pre-Training
par: Wang, Alex Jinpeng, et autres
Publié: (2024)
par: Wang, Alex Jinpeng, et autres
Publié: (2024)
IDOL: Unified Dual-Modal Latent Diffusion for Human-Centric Joint Video-Depth Generation
par: Zhai, Yuanhao, et autres
Publié: (2024)
par: Zhai, Yuanhao, et autres
Publié: (2024)
MiniGPT-5: Interleaved Vision-and-Language Generation via Generative Vokens
par: Zheng, Kaizhi, et autres
Publié: (2023)
par: Zheng, Kaizhi, et autres
Publié: (2023)
MM-Vet v2: A Challenging Benchmark to Evaluate Large Multimodal Models for Integrated Capabilities
par: Yu, Weihao, et autres
Publié: (2024)
par: Yu, Weihao, et autres
Publié: (2024)
ImageGen-CoT: Enhancing Text-to-Image In-context Learning with Chain-of-Thought Reasoning
par: Liao, Jiaqi, et autres
Publié: (2025)
par: Liao, Jiaqi, et autres
Publié: (2025)
VideoGUI: A Benchmark for GUI Automation from Instructional Videos
par: Lin, Kevin Qinghong, et autres
Publié: (2024)
par: Lin, Kevin Qinghong, et autres
Publié: (2024)
Diagnostic Benchmark and Iterative Inpainting for Layout-Guided Image Generation
par: Cho, Jaemin, et autres
Publié: (2023)
par: Cho, Jaemin, et autres
Publié: (2023)
Computer-Use Agents as Judges for Generative User Interface
par: Lin, Kevin Qinghong, et autres
Publié: (2025)
par: Lin, Kevin Qinghong, et autres
Publié: (2025)
VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents
par: Wang, Kangrui, et autres
Publié: (2025)
par: Wang, Kangrui, et autres
Publié: (2025)
SlowFast-VGen: Slow-Fast Learning for Action-Driven Long Video Generation
par: Hong, Yining, et autres
Publié: (2024)
par: Hong, Yining, et autres
Publié: (2024)
Self-Evolving 3D Scene Generation from a Single Image
par: Zheng, Kaizhi, et autres
Publié: (2025)
par: Zheng, Kaizhi, et autres
Publié: (2025)
GenXD: Generating Any 3D and 4D Scenes
par: Zhao, Yuyang, et autres
Publié: (2024)
par: Zhao, Yuyang, et autres
Publié: (2024)
Point-RFT: Improving Multimodal Reasoning with Visually Grounded Reinforcement Finetuning
par: Ni, Minheng, et autres
Publié: (2025)
par: Ni, Minheng, et autres
Publié: (2025)
Zero-Shot Audio-Visual Editing via Cross-Modal Delta Denoising
par: Lin, Yan-Bo, et autres
Publié: (2025)
par: Lin, Yan-Bo, et autres
Publié: (2025)
Exploring a Unified Vision-Centric Contrastive Alternatives on Multi-Modal Web Documents
par: Lin, Yiqi, et autres
Publié: (2025)
par: Lin, Yiqi, et autres
Publié: (2025)
TC-Bench: Benchmarking Temporal Compositionality in Text-to-Video and Image-to-Video Generation
par: Feng, Weixi, et autres
Publié: (2024)
par: Feng, Weixi, et autres
Publié: (2024)
Scaling Inference-Time Search with Vision Value Model for Improved Visual Comprehension
par: Wang, Xiyao, et autres
Publié: (2024)
par: Wang, Xiyao, et autres
Publié: (2024)
JARVIS: A Neuro-Symbolic Commonsense Reasoning Framework for Conversational Embodied Agents
par: Zheng, Kaizhi, et autres
Publié: (2022)
par: Zheng, Kaizhi, et autres
Publié: (2022)
MorphoSim: An Interactive, Controllable, and Editable Language-guided 4D World Simulator
par: He, Xuehai, et autres
Publié: (2025)
par: He, Xuehai, et autres
Publié: (2025)
ExpStar: Towards Automatic Commentary Generation for Multi-discipline Scientific Experiments
par: Chen, Jiali, et autres
Publié: (2025)
par: Chen, Jiali, et autres
Publié: (2025)
SoTA with Less: MCTS-Guided Sample Selection for Data-Efficient Visual Reasoning Self-Improvement
par: Wang, Xiyao, et autres
Publié: (2025)
par: Wang, Xiyao, et autres
Publié: (2025)
Reward Guided Latent Consistency Distillation
par: Li, Jiachen, et autres
Publié: (2024)
par: Li, Jiachen, et autres
Publié: (2024)
Leveraging Visual Tokens for Extended Text Contexts in Multi-Modal Learning
par: Wang, Alex Jinpeng, et autres
Publié: (2024)
par: Wang, Alex Jinpeng, et autres
Publié: (2024)
TextGround4M: A Prompt-Aligned Dataset for Layout-Aware Text Rendering
par: Mao, Dongxing, et autres
Publié: (2026)
par: Mao, Dongxing, et autres
Publié: (2026)
ShowUI: One Vision-Language-Action Model for GUI Visual Agent
par: Lin, Kevin Qinghong, et autres
Publié: (2024)
par: Lin, Kevin Qinghong, et autres
Publié: (2024)
Glance: Accelerating Diffusion Models with 1 Sample
par: Dong, Zhuobai, et autres
Publié: (2025)
par: Dong, Zhuobai, et autres
Publié: (2025)
V-MAGE: A Game Evaluation Framework for Assessing Vision-Centric Capabilities in Multimodal Large Language Models
par: Zheng, Xiangxi, et autres
Publié: (2025)
par: Zheng, Xiangxi, et autres
Publié: (2025)
DisCo: Disentangled Control for Realistic Human Dance Generation
par: Wang, Tan, et autres
Publié: (2023)
par: Wang, Tan, et autres
Publié: (2023)
Measurement of LLM's Philosophies of Human Nature
par: Ni, Minheng, et autres
Publié: (2025)
par: Ni, Minheng, et autres
Publié: (2025)
Documents similaires
-
EditRoom: LLM-parameterized Graph Diffusion for Composable 3D Room Layout Editing
par: Zheng, Kaizhi, et autres
Publié: (2024) -
LiVOS: Light Video Object Segmentation with Gated Linear Matching
par: Liu, Qin, et autres
Publié: (2024) -
List Items One by One: A New Data Source and Learning Paradigm for Multimodal LLMs
par: Yan, An, et autres
Publié: (2024) -
Mitigating Hallucination in Large Multi-Modal Models via Robust Instruction Tuning
par: Liu, Fuxiao, et autres
Publié: (2023) -
MM-Vet: Evaluating Large Multimodal Models for Integrated Capabilities
par: Yu, Weihao, et autres
Publié: (2023)