Buchumschlag

STEVE Series: Step-by-Step Construction of Agent Systems in Minecraft

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhao, Zhonghan, Chai, Wenhao, Wang, Xuan, Ma, Ke, Chen, Kewei, Guo, Dongxu, Ye, Tian, Zhang, Yanting, Wang, Hongwei, Wang, Gaoang
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

Hierarchical Auto-Organizing System for Open-Ended Multi-Agent Navigation
von: Zhao, Zhonghan, et al.
Veröffentlicht: (2024)

Do We Really Need a Complex Agent System? Distill Embodied Agent into a Single Model
von: Zhao, Zhonghan, et al.
Veröffentlicht: (2024)

STEVE: A Step Verification Pipeline for Computer-use Agent Training
von: Lu, Fanbin, et al.
Veröffentlicht: (2025)

DynaHOI: Benchmarking Hand-Object Interaction for Dynamic Target
von: Hu, BoCheng, et al.
Veröffentlicht: (2026)

User-Aware Prefix-Tuning is a Good Learner for Personalized Image Captioning
von: Wang, Xuan, et al.
Veröffentlicht: (2023)

AuroraLong: Bringing RNNs Back to Efficient Open-Ended Video Understanding
von: Xu, Weili, et al.
Veröffentlicht: (2025)

LLaVA-Ultra: Large Chinese Language and Vision Assistant for Ultrasound
von: Guo, Xuechen, et al.
Veröffentlicht: (2024)

MovieChat+: Question-aware Sparse Memory for Long Video Question Answering
von: Song, Enxin, et al.
Veröffentlicht: (2024)

Ego3DT: Tracking Every 3D Object in Ego-centric Videos
von: Hao, Shengyu, et al.
Veröffentlicht: (2024)

CityCraft: A Real Crafter for 3D City Generation
von: Deng, Jie, et al.
Veröffentlicht: (2024)

See, Act, Adapt: Active Perception for Unsupervised Cross-Domain Visual Adaptation via Personalized VLM-Guided Agent
von: Tang, Tianci, et al.
Veröffentlicht: (2026)

MPM: A Unified 2D-3D Human Pose Representation via Masked Pose Modeling
von: Zhang, Zhenyu, et al.
Veröffentlicht: (2023)

Blind Inpainting with Object-aware Discrimination for Artificial Marker Removal
von: Guo, Xuechen, et al.
Veröffentlicht: (2023)

Step by Step Network
von: Han, Dongchen, et al.
Veröffentlicht: (2025)

See and Think: Embodied Agent in Virtual Environment
von: Zhao, Zhonghan, et al.
Veröffentlicht: (2023)

MovieChat: From Dense Token to Sparse Memory for Long Video Understanding
von: Song, Enxin, et al.
Veröffentlicht: (2023)

FreeQ-Graph: Free-form Querying with Semantic Consistent Scene Graph for 3D Scene Understanding
von: Zhan, Chenlu, et al.
Veröffentlicht: (2025)

Pointmap Association and Piecewise-Plane Constraint for Consistent and Compact 3D Gaussian Segmentation Field
von: Hu, Wenhao, et al.
Veröffentlicht: (2025)

VersaT2I: Improving Text-to-Image Models with Versatile Reward
von: Guo, Jianshu, et al.
Veröffentlicht: (2024)

Hi-LSplat: Hierarchical 3D Language Gaussian Splatting
von: Zhan, Chenlu, et al.
Veröffentlicht: (2025)

World2Minecraft: Occupancy-Driven Simulated Scenes Construction
von: Zhang, Lechao, et al.
Veröffentlicht: (2026)

DSG-World: Learning a 3D Gaussian World Model from Dual State Videos
von: Hu, Wenhao, et al.
Veröffentlicht: (2025)

MagicDistillation: Weak-to-Strong Video Distillation for Large-Scale Few-Step Synthesis
von: Shao, Shitong, et al.
Veröffentlicht: (2025)

Video-MMLU: A Massive Multi-Discipline Lecture Understanding Benchmark
von: Song, Enxin, et al.
Veröffentlicht: (2025)

RDG-GS: Relative Depth Guidance with Gaussian Splatting for Real-time Sparse-View 3D Rendering
von: Zhan, Chenlu, et al.
Veröffentlicht: (2025)

Understanding Dynamic Scenes in Ego Centric 4D Point Clouds
von: Huang, Junsheng, et al.
Veröffentlicht: (2025)

CityGen: Infinite and Controllable City Layout Generation
von: Deng, Jie, et al.
Veröffentlicht: (2023)

Hand3R: Online 4D Hand-Scene Reconstruction in the Wild
von: Hu, Wendi, et al.
Veröffentlicht: (2026)

X-MoGen: Unified Motion Generation across Humans and Animals
von: Wang, Xuan, et al.
Veröffentlicht: (2025)

DOVE: Efficient One-Step Diffusion Model for Real-World Video Super-Resolution
von: Chen, Zheng, et al.
Veröffentlicht: (2025)

PianoFlow: Music-Aware Streaming Piano Motion Generation with Bimanual Coordination
von: Wang, Xuan, et al.
Veröffentlicht: (2026)

RIG: Synergizing Reasoning and Imagination in End-to-End Generalist Policy
von: Zhao, Zhonghan, et al.
Veröffentlicht: (2025)

$π$-StepNFT: Wider Space Needs Finer Steps in Online RL for Flow-based VLAs
von: Wang, Siting, et al.
Veröffentlicht: (2026)

Disjoint Contrastive Regression Learning for Multi-Sourced Annotations
von: Ruan, Xiaoqian, et al.
Veröffentlicht: (2021)

Mirage: One-Step Video Diffusion for Photorealistic and Coherent Asset Editing in Driving Scenes
von: Wang, Shuyun, et al.
Veröffentlicht: (2025)

A Step to Decouple Optimization in 3DGS
von: Ding, Renjie, et al.
Veröffentlicht: (2026)

MedM2G: Unifying Medical Multi-Modal Generation via Cross-Guided Diffusion with Visual Invariant
von: Zhan, Chenlu, et al.
Veröffentlicht: (2024)

Learning Human Skill Generators at Key-Step Levels
von: Wu, Yilu, et al.
Veröffentlicht: (2025)

Real-time One-Step Diffusion-based Expressive Portrait Videos Generation
von: Guo, Hanzhong, et al.
Veröffentlicht: (2024)

Concept Unlearning by Modeling Key Steps of Diffusion Process
von: Zhang, Chaoshuo, et al.
Veröffentlicht: (2025)