Copertina

Task Me Anything

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Zhang, Jieyu, Huang, Weikai, Ma, Zixian, Michel, Oscar, He, Dong, Gupta, Tanmay, Ma, Wei-Chiu, Farhadi, Ali, Kembhavi, Aniruddha, Krishna, Ranjay
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

m&m's: A Benchmark to Evaluate Tool-Use for multi-step multi-modal Tasks
di: Ma, Zixian, et al.
Pubblicazione: (2024)

Generate Any Scene: Scene Graph Driven Data Synthesis for Visual Generation Training
di: Gao, Ziqi, et al.
Pubblicazione: (2024)

Iterated Learning Improves Compositionality in Large Vision-Language Models
di: Zheng, Chenhao, et al.
Pubblicazione: (2024)

Eval3D: Interpretable and Fine-grained Evaluation for 3D Generation
di: Duggal, Shivam, et al.
Pubblicazione: (2025)

You Only Judge Once: Multi-response Reward Modeling in a Single Forward Pass
di: Yang, Yinuo, et al.
Pubblicazione: (2026)

Selective Visual Representations Improve Convergence and Generalization for Embodied AI
di: Eftekhar, Ainaz, et al.
Pubblicazione: (2023)

From an Image to a Scene: Learning to Imagine the World from a Million 360 Videos
di: Wallingford, Matthew, et al.
Pubblicazione: (2024)

Scaling Text-Rich Image Understanding via Code-Guided Synthetic Multimodal Data Generation
di: Yang, Yue, et al.
Pubblicazione: (2025)

Coarse Correspondences Boost Spatial-Temporal Reasoning in Multimodal Language Model
di: Liu, Benlin, et al.
Pubblicazione: (2024)

Preserving Identity with Variational Score for General-purpose 3D Editing
di: Le, Duong H., et al.
Pubblicazione: (2024)

MolmoWeb: Open Visual Web Agent and Open Data for the Open Web
di: Gupta, Tanmay, et al.
Pubblicazione: (2026)

Contrastive Flow Matching
di: Stoica, George, et al.
Pubblicazione: (2025)

One Diffusion to Generate Them All
di: Le, Duong H., et al.
Pubblicazione: (2024)

TrajTok: Learning Trajectory Tokens enables better Video Understanding
di: Zheng, Chenhao, et al.
Pubblicazione: (2026)

ProVision: Programmatically Scaling Vision-centric Instruction Data for Multimodal Language Models
di: Zhang, Jieyu, et al.
Pubblicazione: (2024)

Synthetic Object Compositions for Scalable and Accurate Learning in Detection, Segmentation, and Grounding
di: Huang, Weikai, et al.
Pubblicazione: (2025)

Beyond the Frame: Generating 360 Panoramic Videos from Perspective Videos
di: Luo, Rundong, et al.
Pubblicazione: (2025)

The One RING: a Robotic Indoor Navigation Generalist
di: Eftekhar, Ainaz, et al.
Pubblicazione: (2024)

Synthetic Visual Genome
di: Park, Jae Sung, et al.
Pubblicazione: (2025)

Unifying Segment Anything in Microscopy with Vision-Language Knowledge
di: Li, Manyu, et al.
Pubblicazione: (2025)

SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning
di: Jain, Jitesh, et al.
Pubblicazione: (2025)

Unfolding Spatial Cognition: Evaluating Multimodal Models on Visual Simulations
di: Li, Linjie, et al.
Pubblicazione: (2025)

LATTE: Learning to Think with Vision Specialists
di: Ma, Zixian, et al.
Pubblicazione: (2024)

FLaRe: Achieving Masterful and Adaptive Robot Policies with Large-Scale Reinforcement Learning Fine-Tuning
di: Hu, Jiaheng, et al.
Pubblicazione: (2024)

Video-Based Reward Modeling for Computer-Use Agents
di: Song, Linxin, et al.
Pubblicazione: (2026)

Molmo2: Open Weights and Data for Vision-Language Models with Video Understanding and Grounding
di: Clark, Christopher, et al.
Pubblicazione: (2026)

MolmoPoint: Better Pointing for VLMs with Grounding Tokens
di: Clark, Christopher, et al.
Pubblicazione: (2026)

SPOC: Imitating Shortest Paths in Simulation Enables Effective Navigation and Manipulation in the Real World
di: Ehsani, Kiana, et al.
Pubblicazione: (2023)

Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models
di: Maharana, Adyasha, et al.
Pubblicazione: (2023)

WildDet3D: Scaling Promptable 3D Detection in the Wild
di: Huang, Weikai, et al.
Pubblicazione: (2026)

VFIG: Vectorizing Complex Figures in SVG with Vision-Language Models
di: He, Qijia, et al.
Pubblicazione: (2026)

ActionAtlas: A VideoQA Benchmark for Domain-specialized Action Recognition
di: Salehi, Mohammadreza, et al.
Pubblicazione: (2024)

MIMIC: Masked Image Modeling with Image Correspondences
di: Marathe, Kalyani, et al.
Pubblicazione: (2023)

Manipulate-Anything: Automating Real-World Robots using Vision-Language Models
di: Duan, Jiafei, et al.
Pubblicazione: (2024)

Posterior Augmented Flow Matching
di: Stoica, George, et al.
Pubblicazione: (2026)

Reinforced Visual Perception with Tools
di: Zhou, Zetong, et al.
Pubblicazione: (2025)

Multilingual Diversity Improves Vision-Language Representations
di: Nguyen, Thao, et al.
Pubblicazione: (2024)

Seeing the Unseen: Visual Common Sense for Semantic Placement
di: Ramrakhya, Ram, et al.
Pubblicazione: (2024)

Ablate-to-Validate: Are Vision-Language Models Really Using Continuous Thought Tokens?
di: Zhang, Tianyi, et al.
Pubblicazione: (2026)

Synthetic Visual Genome 2: Extracting Large-scale Spatio-Temporal Scene Graphs from Videos
di: Gao, Ziqi, et al.
Pubblicazione: (2026)