Buchumschlag

Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ashraf, Tajamul, Saqib, Amal, Ghani, Hanan, AlMahri, Muhra, Li, Yuhao, Ahsan, Noor, Nawaz, Umair, Lahoud, Jean, Cholakkal, Hisham, Shah, Mubarak, Torr, Philip, Khan, Fahad Shahbaz, Anwer, Rao Muhammad, Khan, Salman
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

MATRIX: Multimodal Agent Tuning for Robust Tool-Use Reasoning
von: Ashraf, Tajamul, et al.
Veröffentlicht: (2025)

Tracking Meets Large Multimodal Models for Driving Scenario Understanding
von: Ishaq, Ayesha, et al.
Veröffentlicht: (2025)

AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock
von: Nawaz, Umair, et al.
Veröffentlicht: (2025)

MedROV: Towards Real-Time Open-Vocabulary Detection Across Diverse Medical Imaging Modalities
von: Sheikh, Tooba Tehreem, et al.
Veröffentlicht: (2025)

LLM Post-Training: A Deep Dive into Reasoning Large Language Models
von: Kumar, Komal, et al.
Veröffentlicht: (2025)

CDChat: A Large Multimodal Model for Remote Sensing Change Description
von: Noman, Mubashir, et al.
Veröffentlicht: (2024)

Open-YOLO 3D: Towards Fast and Accurate Open-Vocabulary 3D Instance Segmentation
von: Boudjoghra, Mohamed El Amine, et al.
Veröffentlicht: (2024)

Open3DTrack: Towards Open-Vocabulary 3D Multi-Object Tracking
von: Ishaq, Ayesha, et al.
Veröffentlicht: (2024)

DEFT: Decompositional Efficient Fine-Tuning for Text-to-Image Models
von: Kumar, Komal, et al.
Veröffentlicht: (2025)

How Good are Foundation Models in Step-by-Step Embodied Reasoning?
von: Dissanayake, Dinura, et al.
Veröffentlicht: (2025)

DriveLMM-o1: A Step-by-Step Reasoning Dataset and Large Multimodal Model for Driving Scenario Understanding
von: Ishaq, Ayesha, et al.
Veröffentlicht: (2025)

LlamaV-o1: Rethinking Step-by-step Visual Reasoning in LLMs
von: Thawakar, Omkar, et al.
Veröffentlicht: (2025)

ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection
von: Noman, Mubashir, et al.
Veröffentlicht: (2024)

Paper Circle: An Open-source Multi-agent Research Discovery and Analysis Framework
von: Kumar, Komal, et al.
Veröffentlicht: (2026)

AIN: The Arabic INclusive Large Multimodal Model
von: Heakl, Ahmed, et al.
Veröffentlicht: (2025)

AgriCLIP: Adapting CLIP for Agriculture and Livestock via Domain-Specialized Cross-Model Alignment
von: Nawaz, Umair, et al.
Veröffentlicht: (2024)

BiMediX: Bilingual Medical Mixture of Experts LLM
von: Pieri, Sara, et al.
Veröffentlicht: (2024)

LLMVoX: Autoregressive Streaming Text-to-Speech Model for Any LLM
von: Shikhar, Sambal, et al.
Veröffentlicht: (2025)

TAViS: Text-bridged Audio-Visual Segmentation with Foundation Models
von: Luo, Ziyang, et al.
Veröffentlicht: (2025)

CLIMB-3D: Continual Learning for Imbalanced 3D Instance Segmentation
von: Thengane, Vishal, et al.
Veröffentlicht: (2025)

WorldCache: Content-Aware Caching for Accelerated Video World Models
von: Nawaz, Umair, et al.
Veröffentlicht: (2026)

Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery
von: Noman, Mubashir, et al.
Veröffentlicht: (2024)

Semi-supervised Open-World Object Detection
von: Mullappilly, Sahal Shaji, et al.
Veröffentlicht: (2024)

XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models
von: Thawakar, Omkar, et al.
Veröffentlicht: (2023)

CONDA: Condensed Deep Association Learning for Co-Salient Object Detection
von: Li, Long, et al.
Veröffentlicht: (2024)

CoME-VL: Scaling Complementary Multi-Encoder Vision-Language Learning
von: Deria, Ankan, et al.
Veröffentlicht: (2026)

Time Travel: A Comprehensive Benchmark to Evaluate LMMs on Historical and Cultural Artifacts
von: Ghaboura, Sara, et al.
Veröffentlicht: (2025)

EvoLMM: Self-Evolving Large Multimodal Models with Continuous Rewards
von: Thawakar, Omkar, et al.
Veröffentlicht: (2025)

A Benchmark and Agentic Framework for Omni-Modal Reasoning and Tool Use in Long Videos
von: Kurpath, Mohammed Irfan, et al.
Veröffentlicht: (2025)

Composed Video Retrieval via Enriched Context and Discriminative Embeddings
von: Thawakar, Omkar, et al.
Veröffentlicht: (2024)

Beyond Simple Edits: Composed Video Retrieval with Dense Modifications
von: Thawakar, Omkar, et al.
Veröffentlicht: (2025)

PARIS3D: Reasoning-based 3D Part Segmentation Using Large Multimodal Model
von: Kareem, Amrin, et al.
Veröffentlicht: (2024)

MediX-R1: Open Ended Medical Reinforcement Learning
von: Mullappilly, Sahal Shaji, et al.
Veröffentlicht: (2026)

Salient Mask-Guided Vision Transformer for Fine-Grained Classification
von: Demidov, Dmitry, et al.
Veröffentlicht: (2023)

VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs
von: Bharadwaj, Rohit, et al.
Veröffentlicht: (2024)

MAviS: A Multimodal Conversational Assistant For Avian Species
von: Kryklyvets, Yevheniia, et al.
Veröffentlicht: (2026)

Efficient 3D-Aware Facial Image Editing via Attribute-Specific Prompt Learning
von: Kumar, Amandeep, et al.
Veröffentlicht: (2024)

Multi-modal Generation via Cross-Modal In-Context Learning
von: Kumar, Amandeep, et al.
Veröffentlicht: (2024)

Align Your Prompts: Test-Time Prompting with Distribution Alignment for Zero-Shot Generalization
von: Hassan, Jameel, et al.
Veröffentlicht: (2023)

Automating Supply Chain Disruption Monitoring via an Agentic AI Approach
von: AlMahri, Sara, et al.
Veröffentlicht: (2026)