Buchumschlag

Emerging Properties in Unified Multimodal Pretraining

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Deng, Chaorui, Zhu, Deyao, Li, Kunchang, Gou, Chenhui, Li, Feng, Wang, Zeyu, Zhong, Shu, Yu, Weihao, Nie, Xiaonan, Song, Ziang, Shi, Guang, Fan, Haoqi
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

LightFusion: A Light-weighted, Double Fusion Framework for Unified Multimodal Understanding and Generation
von: Wang, Zeyu, et al.
Veröffentlicht: (2025)

Causal Diffusion Transformers for Generative Modeling
von: Deng, Chaorui, et al.
Veröffentlicht: (2024)

VQ-VA World: Towards High-Quality Visual Question-Visual Answering
von: Gou, Chenhui, et al.
Veröffentlicht: (2025)

Understanding and Harnessing Sparsity in Unified Multimodal Models
von: He, Shwai, et al.
Veröffentlicht: (2025)

Context Unrolling in Omni Models
von: Yang, Ceyuan, et al.
Veröffentlicht: (2026)

Strong and Controllable Blind Image Decomposition
von: Zhang, Zeyu, et al.
Veröffentlicht: (2024)

How Well Can Vision Language Models See Image Details?
von: Gou, Chenhui, et al.
Veröffentlicht: (2024)

UniGRPO: Unified Policy Optimization for Reasoning-Driven Visual Generation
von: Liu, Jie, et al.
Veröffentlicht: (2026)

When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought
von: Zhou, Yiyang, et al.
Veröffentlicht: (2025)

Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents
von: Wang, Zihao, et al.
Veröffentlicht: (2025)

Real‐Time Energy Management Strategy for Fuel Cell/Battery Plug‐In Hybrid Electric Buses Based on Deep Reinforcement Learning and State of Charge Descent Curve Trajectory Control
von: Jing Lian, et al.
Veröffentlicht: (2024)

Multimodal Dialog Systems with Dual Knowledge-enhanced Generative Pretrained Language Model
von: Chen, Xiaolin, et al.
Veröffentlicht: (2022)

Harvest Video Foundation Models via Efficient Post-Pretraining
von: Li, Yizhuo, et al.
Veröffentlicht: (2023)

Images in Sentences: Scaling Interleaved Instructions for Unified Visual Generation
von: Zhang, Yabo, et al.
Veröffentlicht: (2026)

UniFormer: Unifying Convolution and Self-attention for Visual Recognition
von: Li, Kunchang, et al.
Veröffentlicht: (2022)

Task Preference Optimization: Improving Multimodal Large Language Models with Vision Task Alignment
von: Yan, Ziang, et al.
Veröffentlicht: (2024)

CodeBind: Decoupled Representation Learning for Multimodal Alignment with Unified Compositional Codebook
von: Chen, Zeyu, et al.
Veröffentlicht: (2026)

UMBRAE: Unified Multimodal Brain Decoding
von: Xia, Weihao, et al.
Veröffentlicht: (2024)

Evaluating and Advancing Multimodal Large Language Models in Perception Ability Lens
von: Chen, Feng, et al.
Veröffentlicht: (2024)

Primitive elements in Ringel-Hall algebras of tame hereditary algebras
von: Deng, Bangming, et al.
Veröffentlicht: (2026)

TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation
von: Chen, Yinda, et al.
Veröffentlicht: (2024)

MME-Unify: A Comprehensive Benchmark for Unified Multimodal Understanding and Generation Models
von: Xie, Wulin, et al.
Veröffentlicht: (2025)

Does Understanding Inform Generation in Unified Multimodal Models? From Analysis to Path Forward
von: Niu, Yuwei, et al.
Veröffentlicht: (2025)

ID-NeRF: Indirect Diffusion-guided Neural Radiance Fields for Generalizable View Synthesis
von: Li, Yaokun, et al.
Veröffentlicht: (2024)

OpenVision 2: A Family of Generative Pretrained Visual Encoders for Multimodal Learning
von: Liu, Yanqing, et al.
Veröffentlicht: (2025)

Percept, Chat, and then Adapt: Multimodal Knowledge Transfer of Foundation Models for Open-World Video Recognition
von: Chen, Boyu, et al.
Veröffentlicht: (2024)

Node Level Graph Autoencoder: Unified Pretraining for Textual Graph Learning
von: Hu, Wenbin, et al.
Veröffentlicht: (2024)

Representation Forcing for Bottleneck-Free Unified Multimodal Models
von: Wang, Yuqing, et al.
Veröffentlicht: (2026)

TUNI: Real-time RGB-T Semantic Segmentation with Unified Multi-Modal Feature Extraction and Cross-Modal Feature Fusion
von: Guo, Xiaodong, et al.
Veröffentlicht: (2025)

Spatial-Aware VLA Pretraining through Visual-Physical Alignment from Human Videos
von: Feng, Yicheng, et al.
Veröffentlicht: (2025)

How Does Controllability Emerge In Language Models During Pretraining?
von: She, Jianshu, et al.
Veröffentlicht: (2025)

MTPNet: Multi-Grained Target Perception for Unified Activity Cliff Prediction
von: Shu, Zishan, et al.
Veröffentlicht: (2025)

Emu: Generative Pretraining in Multimodality
von: Sun, Quan, et al.
Veröffentlicht: (2023)

Task-Centric Policy Optimization from Misaligned Motion Priors
von: Zheng, Ziang, et al.
Veröffentlicht: (2026)

UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting
von: Zhang, Da, et al.
Veröffentlicht: (2025)

Joint-Aligned Latent Action: Towards Scalable VLA Pretraining in the Wild
von: Luo, Hao, et al.
Veröffentlicht: (2026)

Unify-Agent: A Unified Multimodal Agent for World-Grounded Image Synthesis
von: Chen, Shuang, et al.
Veröffentlicht: (2026)

Valuation of variable annuities under the Volterra mortality and rough Heston models
von: Li, Wenyuan, et al.
Veröffentlicht: (2026)

Clover: Regressive Lightweight Speculative Decoding with Sequential Knowledge
von: Xiao, Bin, et al.
Veröffentlicht: (2024)

DrVideo: Document Retrieval Based Long Video Understanding
von: Ma, Ziyu, et al.
Veröffentlicht: (2024)