Buchumschlag

GLIMPSE: Do Large Vision-Language Models Truly Think With Videos or Just Glimpse at Them?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Yiyang, Li, Linjie, Qiu, Shi, Yang, Zhengyuan, Zhao, Yuyang, Han, Siwei, He, Yangfan, Li, Kangqi, Ji, Haonian, Zhao, Zihao, Tong, Haibo, Wang, Lijuan, Yao, Huaxiu
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

MJ-VIDEO: Fine-Grained Benchmarking and Rewarding Video Preferences in Video Generation
von: Tong, Haibo, et al.
Veröffentlicht: (2025)

Agent0-VL: Exploring Self-Evolving Agent for Tool-Integrated Vision-Language Reasoning
von: Liu, Jiaqi, et al.
Veröffentlicht: (2025)

MMIE: Massive Multimodal Interleaved Comprehension Benchmark for Large Vision-Language Models
von: Xia, Peng, et al.
Veröffentlicht: (2024)

ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding
von: Zhou, Yiyang, et al.
Veröffentlicht: (2025)

MetaClaw: Just Talk -- An Agent That Meta-Learns and Evolves in the Wild
von: Xia, Peng, et al.
Veröffentlicht: (2026)

From EduVisBench to EduVisAgent: A Benchmark and Multi-Agent Framework for Reasoning-Driven Pedagogical Visualization
von: Ji, Haonian, et al.
Veröffentlicht: (2025)

ClawArena: Benchmarking AI Agents in Evolving Information Environments
von: Ji, Haonian, et al.
Veröffentlicht: (2026)

LiVOS: Light Video Object Segmentation with Gated Linear Matching
von: Liu, Qin, et al.
Veröffentlicht: (2024)

Beyond Words: Advancing Long-Text Image Generation via Multimodal Autoregressive Models
von: Wang, Alex Jinpeng, et al.
Veröffentlicht: (2025)

GenXD: Generating Any 3D and 4D Scenes
von: Zhao, Yuyang, et al.
Veröffentlicht: (2024)

VideoGUI: A Benchmark for GUI Automation from Instructional Videos
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2024)

Are Unified Vision-Language Models Necessary: Generalization Across Understanding and Generation
von: Zhang, Jihai, et al.
Veröffentlicht: (2025)

Diagnostic Benchmark and Iterative Inpainting for Layout-Guided Image Generation
von: Cho, Jaemin, et al.
Veröffentlicht: (2023)

SHANKS: Simultaneous Hearing and Thinking for Spoken Language Models
von: Chiang, Cheng-Han, et al.
Veröffentlicht: (2025)

Do Audio-Visual Segmentation Models Truly Segment Sounding Objects?
von: Li, Jia, et al.
Veröffentlicht: (2025)

V-MAGE: A Game Evaluation Framework for Assessing Vision-Centric Capabilities in Multimodal Large Language Models
von: Zheng, Xiangxi, et al.
Veröffentlicht: (2025)

ImageGen-CoT: Enhancing Text-to-Image In-context Learning with Chain-of-Thought Reasoning
von: Liao, Jiaqi, et al.
Veröffentlicht: (2025)

Bring Metric Functions into Diffusion Models
von: An, Jie, et al.
Veröffentlicht: (2024)

STITCH: Simultaneous Thinking and Talking with Chunked Reasoning for Spoken Language Models
von: Chiang, Cheng-Han, et al.
Veröffentlicht: (2025)

Glance: Accelerating Diffusion Models with 1 Sample
von: Dong, Zhuobai, et al.
Veröffentlicht: (2025)

Entity6K: A Large Open-Domain Evaluation Dataset for Real-World Entity Recognition
von: Qiu, Jielin, et al.
Veröffentlicht: (2024)

Scaling Inference-Time Search with Vision Value Model for Improved Visual Comprehension
von: Wang, Xiyao, et al.
Veröffentlicht: (2024)

Improving Alignment in LVLMs with Debiased Self-Judgment
von: Yang, Sihan, et al.
Veröffentlicht: (2025)

Motion Consistency Model: Accelerating Video Diffusion with Disentangled Motion-Appearance Distillation
von: Zhai, Yuanhao, et al.
Veröffentlicht: (2024)

Think, Act, Build: An Agentic Framework with Vision Language Models for Zero-Shot 3D Visual Grounding
von: Wang, Haibo, et al.
Veröffentlicht: (2026)

Can MLLMs Reason in Multimodality? EMMA: An Enhanced MultiModal ReAsoning Benchmark
von: Hao, Yunzhuo, et al.
Veröffentlicht: (2025)

ShowUI: One Vision-Language-Action Model for GUI Visual Agent
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2024)

Aligning Modalities in Vision Large Language Models via Preference Fine-tuning
von: Zhou, Yiyang, et al.
Veröffentlicht: (2024)

OpenThinkIMG: Learning to Think with Images via Visual Tool Reinforcement Learning
von: Su, Zhaochen, et al.
Veröffentlicht: (2025)

Exploring a Unified Vision-Centric Contrastive Alternatives on Multi-Modal Web Documents
von: Lin, Yiqi, et al.
Veröffentlicht: (2025)

Point-RFT: Improving Multimodal Reasoning with Visually Grounded Reinforcement Finetuning
von: Ni, Minheng, et al.
Veröffentlicht: (2025)

Idea2Img: Iterative Self-Refinement with GPT-4V(ision) for Automatic Image Design and Generation
von: Yang, Zhengyuan, et al.
Veröffentlicht: (2023)

GLIMPSE: Holistic Cross-Modal Explainability for Large Vision-Language Models
von: Shen, Guanxi
Veröffentlicht: (2025)

Demystifying Hybrid Thinking: Can LLMs Truly Switch Between Think and No-Think?
von: Wang, Shouren, et al.
Veröffentlicht: (2025)

Toasters Don't Claim Consciousness Just Because You Told Them To, and Neither Do LLMs
von: Ace, Claude 4.x, et al.
Veröffentlicht: (2026)

A frequency shift compensation method for light shift and vapor-cell temperature shift in atomic clocks
von: Li, Dou, et al.
Veröffentlicht: (2024)

IDOL: Unified Dual-Modal Latent Diffusion for Human-Centric Joint Video-Depth Generation
von: Zhai, Yuanhao, et al.
Veröffentlicht: (2024)

To Think or Not to Think: Exploring the Unthinking Vulnerability in Large Reasoning Models
von: Zhu, Zihao, et al.
Veröffentlicht: (2025)

ReDef: Do Code Language Models Truly Understand Code Changes for Just-in-Time Software Defect Prediction?
von: Nam, Doha, et al.
Veröffentlicht: (2025)

The LLM Effect: Are Humans Truly Using LLMs, or Are They Being Influenced By Them Instead?
von: Choi, Alexander S., et al.
Veröffentlicht: (2024)