Buchumschlag

LaViDa: A Large Diffusion Language Model for Multimodal Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Shufan, Kallidromitis, Konstantinos, Bansal, Hritik, Gokul, Akash, Kato, Yusuke, Kozuka, Kazuki, Kuen, Jason, Lin, Zhe, Chang, Kai-Wei, Grover, Aditya
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

MobileWorldBench: Towards Semantic World Modeling For Mobile Agents
von: Li, Shufan, et al.
Veröffentlicht: (2025)

Aligning Diffusion Models by Optimizing Human Utility
von: Li, Shufan, et al.
Veröffentlicht: (2024)

Sparse-LaViDa: Sparse Multimodal Discrete Diffusion Language Models
von: Li, Shufan, et al.
Veröffentlicht: (2025)

Reflect-DiT: Inference-Time Scaling for Text-to-Image Diffusion Transformers via In-Context Reflection
von: Li, Shufan, et al.
Veröffentlicht: (2025)

OmniFlow: Any-to-Any Generation with Multi-Modal Rectified Flows
von: Li, Shufan, et al.
Veröffentlicht: (2024)

LaViDa-R1: Advancing Reasoning for Unified Multimodal Diffusion Language Models
von: Li, Shufan, et al.
Veröffentlicht: (2026)

Guidance Contrastive Token Credit Assignment for Discrete Policy Optimization
von: Li, Shufan, et al.
Veröffentlicht: (2026)

Lavida-O: Elastic Large Masked Diffusion Models for Unified Multimodal Understanding and Generation
von: Li, Shufan, et al.
Veröffentlicht: (2025)

SegLLM: Multi-round Reasoning Segmentation
von: Wang, XuDong, et al.
Veröffentlicht: (2024)

Peering Through Preferences: Unraveling Feedback Acquisition for Aligning Large Language Models
von: Bansal, Hritik, et al.
Veröffentlicht: (2023)

MedMax: Mixed-Modal Instruction Tuning for Training Biomedical Assistants
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

SNCE: Geometry-Aware Supervision for Scalable Discrete Image Generation
von: Li, Shufan, et al.
Veröffentlicht: (2026)

Comparing Bad Apples to Good Oranges: Aligning Large Language Models via Joint Preference Optimization
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

PredGen: Accelerated Inference of Large Language Models through Input-Time Speculation for Real-Time Speech Interaction
von: Li, Shufan, et al.
Veröffentlicht: (2025)

TALC: Time-Aligned Captions for Multi-Scene Text-to-Video Generation
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

VideoPhy-2: A Challenging Action-Centric Physical Commonsense Evaluation in Video Generation
von: Bansal, Hritik, et al.
Veröffentlicht: (2025)

ConTextual: Evaluating Context-Sensitive Text-Rich Visual Reasoning in Large Multimodal Models
von: Wadhawan, Rohan, et al.
Veröffentlicht: (2024)

InstructAny2Pix: Flexible Visual Editing via Multimodal Instruction Following
von: Li, Shufan, et al.
Veröffentlicht: (2023)

When To Solve, When To Verify: Compute-Optimal Problem Solving and Generative Verification for LLM Reasoning
von: Singhi, Nishad, et al.
Veröffentlicht: (2025)

Hyperbolic Learning with Multimodal Large Language Models
von: Mandica, Paolo, et al.
Veröffentlicht: (2024)

PopAlign: Population-Level Alignment for Fair Text-to-Image Generation
von: Li, Shufan, et al.
Veröffentlicht: (2024)

Mamba-ND: Selective State Space Modeling for Multi-Dimensional Data
von: Li, Shufan, et al.
Veröffentlicht: (2024)

HoneyBee: Data Recipes for Vision-Language Reasoners
von: Bansal, Hritik, et al.
Veröffentlicht: (2025)

Peeking Behind Closed Doors: Risks of LLM Evaluation by Private Data Curators
von: Bansal, Hritik, et al.
Veröffentlicht: (2025)

GenEARL: A Training-Free Generative Framework for Multimodal Event Argument Role Labeling
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

PhysiX: A Foundation Model for Physics Simulations
von: Nguyen, Tung, et al.
Veröffentlicht: (2025)

Accelerating Inference of Masked Image Generators via Reinforcement Learning
von: Subbaraman, Pranav, et al.
Veröffentlicht: (2025)

VideoPhy: Evaluating Physical Commonsense for Video Generation
von: Bansal, Hritik, et al.
Veröffentlicht: (2024)

Scaling transformer neural networks for skillful and reliable medium-range weather forecasting
von: Nguyen, Tung, et al.
Veröffentlicht: (2023)

LICO: Large Language Models for In-Context Molecular Optimization
von: Nguyen, Tung, et al.
Veröffentlicht: (2024)

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

d1: Scaling Reasoning in Diffusion Large Language Models via Reinforcement Learning
von: Zhao, Siyan, et al.
Veröffentlicht: (2025)

Mercury: Ultra-Fast Language Models Based on Diffusion
von: Labs, Inception, et al.
Veröffentlicht: (2025)

BootPIG: Bootstrapping Zero-shot Personalized Image Generation Capabilities in Pretrained Diffusion Models
von: Purushwalkam, Senthil, et al.
Veröffentlicht: (2024)

ViT-AdaLA: Adapting Vision Transformers with Linear Attention
von: Li, Yifan, et al.
Veröffentlicht: (2026)

ArtifactGen: Benchmarking WGAN-GP vs Diffusion for Label-Aware EEG Artifact Synthesis
von: Arasu, Hritik, et al.
Veröffentlicht: (2025)

Probing the Decision Boundaries of In-context Learning in Large Language Models
von: Zhao, Siyan, et al.
Veröffentlicht: (2024)

Group Preference Optimization: Few-Shot Alignment of Large Language Models
von: Zhao, Siyan, et al.
Veröffentlicht: (2023)

ViBe: A Text-to-Video Benchmark for Evaluating Hallucination in Large Multimodal Models
von: Rawte, Vipula, et al.
Veröffentlicht: (2024)

SUPERNOVA: Eliciting General Reasoning in LLMs with Reinforcement Learning on Natural Instructions
von: Suvarna, Ashima, et al.
Veröffentlicht: (2026)