Buchumschlag

Slow-Fast Architecture for Video Multi-Modal Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shi, Min, Wang, Shihao, Chen, Chieh-Yun, Jain, Jitesh, Wang, Kai, Xiong, Junjun, Liu, Guilin, Yu, Zhiding, Shi, Humphrey
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Elevating Visual Perception in Multimodal LLMs with Visual Embedding Distillation
von: Jain, Jitesh, et al.
Veröffentlicht: (2024)

T2I-Copilot: A Training-Free Multi-Agent Text-to-Image System for Enhanced Prompt Interpretation and Interactive Generation
von: Chen, Chieh-Yun, et al.
Veröffentlicht: (2025)

Benchmarking Object Detectors with COCO: A New Path Forward
von: Singh, Shweta, et al.
Veröffentlicht: (2024)

PhyCritic: Multimodal Critic Models for Physical AI
von: Xiong, Tianyi, et al.
Veröffentlicht: (2026)

VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding
von: Wang, Shihao, et al.
Veröffentlicht: (2025)

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

CuMo: Scaling Multimodal LLM with Co-Upcycled Mixture-of-Experts
von: Li, Jiachen, et al.
Veröffentlicht: (2024)

OmniDrive: A Holistic Vision-Language Dataset for Autonomous Driving with Counterfactual Reasoning
von: Wang, Shihao, et al.
Veröffentlicht: (2025)

OmniDrive: A Holistic Vision-Language Dataset for Autonomous Driving with Counterfactual Reasoning
von: Wang, Shihao, et al.
Veröffentlicht: (2024)

SlowFast-LLaVA: A Strong Training-Free Baseline for Video Large Language Models
von: Xu, Mingze, et al.
Veröffentlicht: (2024)

Geo-LLaVA: A Large Multi-Modal Model for Solving Geometry Math Problems with Meta In-Context Learning
von: Xu, Shihao, et al.
Veröffentlicht: (2024)

Eagle: Exploring The Design Space for Multimodal LLMs with Mixture of Encoders
von: Shi, Min, et al.
Veröffentlicht: (2024)

LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding
von: Wang, Shihao, et al.
Veröffentlicht: (2026)

Slot-VLM: SlowFast Slots for Video-Language Modeling
von: Xu, Jiaqi, et al.
Veröffentlicht: (2024)

LION-FS: Fast & Slow Video-Language Thinker as Online Video Assistant
von: Li, Wei, et al.
Veröffentlicht: (2025)

StreamChat: Chatting with Streaming Video
von: Liu, Jihao, et al.
Veröffentlicht: (2024)

TrajSV: A Trajectory-based Model for Sports Video Representations and Applications
von: Wang, Zheng, et al.
Veröffentlicht: (2025)

SlowFast-LLaVA-1.5: A Family of Token-Efficient Video Large Language Models for Long-Form Video Understanding
von: Xu, Mingze, et al.
Veröffentlicht: (2025)

SlowFast-VGen: Slow-Fast Learning for Action-Driven Long Video Generation
von: Hong, Yining, et al.
Veröffentlicht: (2024)

Versatile Diffusion: Text, Images and Variations All in One Diffusion Model
von: Xu, Xingqian, et al.
Veröffentlicht: (2022)

Multi-Modal Video Dialog State Tracking in the Wild
von: Abdessaied, Adnen, et al.
Veröffentlicht: (2024)

LocateAnything3D: Vision-Language 3D Detection with Chain-of-Sight
von: Man, Yunze, et al.
Veröffentlicht: (2025)

Seeing Fast and Slow: Learning the Flow of Time in Videos
von: Wu, Yen-Siang, et al.
Veröffentlicht: (2026)

Jailbreak Large Vision-Language Models Through Multi-Modal Linkage
von: Wang, Yu, et al.
Veröffentlicht: (2024)

Argus: Vision-Centric Reasoning with Grounded Chain-of-Thought
von: Man, Yunze, et al.
Veröffentlicht: (2025)

Visual-Oriented Fine-Grained Knowledge Editing for MultiModal Large Language Models
von: Zeng, Zhen, et al.
Veröffentlicht: (2024)

A Self-Correcting Vision-Language-Action Model for Fast and Slow System Manipulation
von: Li, Chenxuan, et al.
Veröffentlicht: (2024)

Cobra: Extending Mamba to Multi-Modal Large Language Model for Efficient Inference
von: Zhao, Han, et al.
Veröffentlicht: (2024)

RAGME: Retrieval Augmented Video Generation for Enhanced Motion Realism
von: Peruzzo, Elia, et al.
Veröffentlicht: (2025)

SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model
von: Ding, Zongcan, et al.
Veröffentlicht: (2025)

Cross-Slice Knowledge Transfer via Masked Multi-Modal Heterogeneous Graph Contrastive Learning for Spatial Gene Expression Inference
von: Shi, Zhiceng, et al.
Veröffentlicht: (2026)

Generating, Fast and Slow: Scalable Parallel Video Generation with Video Interface Networks
von: Dedhia, Bhishma, et al.
Veröffentlicht: (2025)

From Slow Bidirectional to Fast Autoregressive Video Diffusion Models
von: Yin, Tianwei, et al.
Veröffentlicht: (2024)

VideoLoom: A Video Large Language Model for Joint Spatial-Temporal Understanding
von: Shi, Jiapeng, et al.
Veröffentlicht: (2026)

Hydra-NeXt: Robust Closed-Loop Driving with Open-Loop Training
von: Li, Zhenxin, et al.
Veröffentlicht: (2025)

MapReduce LoRA: Advancing the Pareto Front in Multi-Preference Optimization for Generative Models
von: Chen, Chieh-Yun, et al.
Veröffentlicht: (2025)

Fast-Slow Efficient Training for Multimodal Large Language Models via Visual Token Pruning
von: Zhang, Dingkun, et al.
Veröffentlicht: (2026)

Hypergraph Multi-modal Large Language Model: Exploiting EEG and Eye-tracking Modalities to Evaluate Heterogeneous Responses for Video Understanding
von: Wu, Minghui, et al.
Veröffentlicht: (2024)

EventSTU: Event-Guided Efficient Spatio-Temporal Understanding for Video Large Language Models
von: Xu, Wenhao, et al.
Veröffentlicht: (2025)

GLUS: Global-Local Reasoning Unified into A Single Large Language Model for Video Segmentation
von: Lin, Lang, et al.
Veröffentlicht: (2025)