Buchumschlag

Scalable Vision Language Model Training via High Quality Data Curation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dong, Hongyuan, Kang, Zijian, Yin, Weijie, Liang, Xiao, Feng, Chao, Ran, Jiao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SAILViT: Towards Robust and Generalizable Visual Backbones for MLLMs via Gradual Feature Refinement
von: Yin, Weijie, et al.
Veröffentlicht: (2025)

SAIL-RL: Guiding MLLMs in When and How to Think via Dual-Reward RL Tuning
von: Shu, Fangxun, et al.
Veröffentlicht: (2025)

Vision-G1: Towards General Vision Language Reasoning with Multi-Domain Data Curation
von: Zha, Yuheng, et al.
Veröffentlicht: (2025)

Quality-Driven Curation of Remote Sensing Vision-Language Data via Learned Scoring Models
von: Muhtar, Dilxat, et al.
Veröffentlicht: (2025)

VGR: Visual Grounded Reasoning
von: Wang, Jiacong, et al.
Veröffentlicht: (2025)

Dual Tuning for Reasoning Efficacy-Driven Data Curation in Multimodal LLM Training
von: Zheng, Ruobing, et al.
Veröffentlicht: (2026)

LABELING COPILOT: A Deep Research Agent for Automated Data Curation in Computer Vision
von: Ganguly, Debargha, et al.
Veröffentlicht: (2025)

Eliciting In-Context Learning in Vision-Language Models for Videos Through Curated Data Distributional Properties
von: Yu, Keunwoo Peter, et al.
Veröffentlicht: (2023)

SynthVLM: Towards High-Quality and Efficient Synthesis of Image-Caption Datasets for Vision-Language Models
von: Liu, Zheng, et al.
Veröffentlicht: (2024)

Do We Really Need Curated Malicious Data for Safety Alignment in Multi-modal Large Language Models?
von: Wang, Yanbo, et al.
Veröffentlicht: (2025)

VL-GenRM: Enhancing Vision-Language Verification via Vision Experts and Iterative Training
von: Zhang, Jipeng, et al.
Veröffentlicht: (2025)

Growing a Multi-head Twig via Distillation and Reinforcement Learning to Accelerate Large Vision-Language Models
von: Shao, Zhenwei, et al.
Veröffentlicht: (2025)

Enhancing Large Vision Language Models with Self-Training on Image Comprehension
von: Deng, Yihe, et al.
Veröffentlicht: (2024)

ColorBlindnessEval: Can Vision-Language Models Pass Color Blindness Tests?
von: Ling, Zijian, et al.
Veröffentlicht: (2025)

Shakti-VLMs: Scalable Vision-Language Models for Enterprise AI
von: Shakhadri, Syed Abdul Gaffar, et al.
Veröffentlicht: (2025)

Clean Evaluations on Contaminated Visual Language Models
von: Lu, Hongyuan, et al.
Veröffentlicht: (2024)

EVQAScore: A Fine-grained Metric for Video Question Answering Data Quality Evaluation
von: Liang, Hao, et al.
Veröffentlicht: (2024)

Finetuned Multimodal Language Models Are High-Quality Image-Text Data Filters
von: Wang, Weizhi, et al.
Veröffentlicht: (2024)

Train a Unified Multimodal Data Quality Classifier with Synthetic Data
von: Wang, Weizhi, et al.
Veröffentlicht: (2025)

CLIP-SVD: Efficient and Interpretable Vision-Language Adaptation via Singular Values
von: Koleilat, Taha, et al.
Veröffentlicht: (2025)

The Role of Data Curation in Image Captioning
von: Li, Wenyan, et al.
Veröffentlicht: (2023)

LoMo: Local Modality Substitution for Deeper Vision-Language Fusion
von: Han, Feng, et al.
Veröffentlicht: (2026)

Watch Closely: Mitigating Object Hallucinations in Large Vision-Language Models with Disentangled Decoding
von: Ma, Ruiqi, et al.
Veröffentlicht: (2025)

Vision Language Models Are Not (Yet) Spelling Correctors
von: Liang, Junhong, et al.
Veröffentlicht: (2025)

ViSpec: Accelerating Vision-Language Models with Vision-Aware Speculative Decoding
von: Kang, Jialiang, et al.
Veröffentlicht: (2025)

OpenVLThinker: Complex Vision-Language Reasoning via Iterative SFT-RL Cycles
von: Deng, Yihe, et al.
Veröffentlicht: (2025)

MMRQA: Signal-Enhanced Multimodal Large Language Models for MRI Quality Assessment
von: Jia, Fankai, et al.
Veröffentlicht: (2025)

OphIn-500K: Curating Web-Scale Visual Instructions for Scaling Ophthalmic Multimodal Large Language Models
von: Dong, Xuanzhao, et al.
Veröffentlicht: (2026)

PyramidDrop: Accelerating Your Large Vision-Language Models via Pyramid Visual Redundancy Reduction
von: Xing, Long, et al.
Veröffentlicht: (2024)

On Asymmetric Optimization of Reasoning and Perception in Vision-Language Model Post-Training
von: Wu, Xueqing, et al.
Veröffentlicht: (2026)

MedCLIPSeg: Probabilistic Vision-Language Adaptation for Data-Efficient and Generalizable Medical Image Segmentation
von: Koleilat, Taha, et al.
Veröffentlicht: (2026)

AdaLRS: Loss-Guided Adaptive Learning Rate Search for Efficient Foundation Model Pretraining
von: Dong, Hongyuan, et al.
Veröffentlicht: (2025)

Entropy-Gradient Grounding: Training-Free Evidence Retrieval in Vision-Language Models
von: Gröpl, Marcel, et al.
Veröffentlicht: (2026)

Light Up the Shadows: Enhance Long-Tailed Entity Grounding with Concept-Guided Vision-Language Models
von: Zhang, Yikai, et al.
Veröffentlicht: (2024)

SOLO: A Single Transformer for Scalable Vision-Language Modeling
von: Chen, Yangyi, et al.
Veröffentlicht: (2024)

SAIL-VL2 Technical Report
von: Yin, Weijie, et al.
Veröffentlicht: (2025)

SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models
von: Li, Hongxing, et al.
Veröffentlicht: (2025)

FlightGPT: Towards Generalizable and Interpretable UAV Vision-and-Language Navigation with Vision-Language Models
von: Cai, Hengxing, et al.
Veröffentlicht: (2025)

ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments
von: An, Dong, et al.
Veröffentlicht: (2023)

Multimodal Human-AI Synergy for Medical Imaging Quality Control: A Hybrid Intelligence Framework with Adaptive Dataset Curation and Closed-Loop Evaluation
von: Qin, Zhi, et al.
Veröffentlicht: (2025)