Buchumschlag

MMAT-1M: A Large Reasoning Dataset for Multimodal Agent Tuning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gao, Tianhong, Fu, Yannian, Wu, Weiqun, Yue, Haixiao, Liu, Shanshan, Zhang, Gang
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

Interpretable Face Anti-Spoofing: Enhancing Generalization with Multimodal Large Language Models
von: Zhang, Guosheng, et al.
Veröffentlicht: (2025)

Combating Visual Neglect and Semantic Drift in Large Multimodal Models for Enhanced Cross-Modal Retrieval
von: Zhang, Guosheng, et al.
Veröffentlicht: (2026)

Weather-R1: Logically Consistent Reinforcement Fine-Tuning for Multimodal Reasoning in Meteorology
von: Wu, Kaiyu, et al.
Veröffentlicht: (2026)

MedTrinity-25M: A Large-scale Multimodal Dataset with Multigranular Annotations for Medicine
von: Xie, Yunfei, et al.
Veröffentlicht: (2024)

MedDiff-FM: A Diffusion-based Foundation Model for Versatile Medical Image Applications
von: Yu, Yongrui, et al.
Veröffentlicht: (2024)

UAV-VL-R1: Generalizing Vision-Language Models via Supervised Fine-Tuning and Multi-Stage GRPO for UAV Visual Reasoning
von: Guan, Jiajin, et al.
Veröffentlicht: (2025)

Boosting Reasoning in Large Multimodal Models via Activation Replay
von: Xing, Yun, et al.
Veröffentlicht: (2025)

Learning Trajectory-Aware Multimodal Large Language Models for Video Reasoning Segmentation
von: Luo, Jingnan, et al.
Veröffentlicht: (2026)

Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation
von: Zhang, Jing, et al.
Veröffentlicht: (2026)

OracleAgent: A Multimodal Reasoning Agent for Oracle Bone Script Research
von: Li, Caoshuo, et al.
Veröffentlicht: (2025)

Iterative Tool Usage Exploration for Multimodal Agents via Step-wise Preference Tuning
von: Li, Pengxiang, et al.
Veröffentlicht: (2025)

BasketHAR: A Multimodal Dataset for Human Activity Recognition and Sport Analysis in Basketball Training Scenarios
von: Gao, Xian, et al.
Veröffentlicht: (2026)

VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding
von: Fan, Yue, et al.
Veröffentlicht: (2024)

HOIGen-1M: A Large-scale Dataset for Human-Object Interaction Video Generation
von: Liu, Kun, et al.
Veröffentlicht: (2025)

VisReason: A Large-Scale Dataset for Visual Chain-of-Thought Reasoning
von: Li, Lingxiao, et al.
Veröffentlicht: (2025)

Fine-T2I: An Open, Large-Scale, and Diverse Dataset for High-Quality T2I Fine-Tuning
von: Ma, Xu, et al.
Veröffentlicht: (2026)

Motion-X++: A Large-Scale Multimodal 3D Whole-body Human Motion Dataset
von: Zhang, Yuhong, et al.
Veröffentlicht: (2025)

LMOD: A Large Multimodal Ophthalmology Dataset and Benchmark for Large Vision-Language Models
von: Qin, Zhenyue, et al.
Veröffentlicht: (2024)

AdaptMMBench: Benchmarking Adaptive Multimodal Reasoning for Mode Selection and Reasoning Process
von: Zhang, Xintong, et al.
Veröffentlicht: (2026)

PixelLM: Pixel Reasoning with Large Multimodal Model
von: Ren, Zhongwei, et al.
Veröffentlicht: (2023)

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

Reinforcement Fine-Tuning Powers Reasoning Capability of Multimodal Large Language Models
von: Sun, Haoyuan, et al.
Veröffentlicht: (2025)

MuSEAgent: A Multimodal Reasoning Agent with Stateful Experiences
von: Wang, Shijian, et al.
Veröffentlicht: (2026)

DR-MMSearchAgent: Deepening Reasoning in Multimodal Search Agents
von: Wang, Shengqin, et al.
Veröffentlicht: (2026)

Parameter-Efficient Fine-Tuning Medical Multimodal Large Language Models for Medical Visual Grounding
von: He, Jinlong, et al.
Veröffentlicht: (2024)

MIRROR: Multimodal Iterative Reasoning via Reflection on Visual Regions
von: Zhang, Haoyu, et al.
Veröffentlicht: (2026)

KD-DETR: Knowledge Distillation for Detection Transformer with Consistent Distillation Points Sampling
von: Wang, Yu, et al.
Veröffentlicht: (2022)

MAmmoTH-VL: Eliciting Multimodal Reasoning with Instruction Tuning at Scale
von: Guo, Jarvis, et al.
Veröffentlicht: (2024)

LMOD+: A Comprehensive Multimodal Dataset and Benchmark for Developing and Evaluating Multimodal Large Language Models in Ophthalmology
von: Qin, Zhenyue, et al.
Veröffentlicht: (2025)

A Large-Scale Multimodal Dataset and Benchmarks for Human Activity Scene Understanding and Reasoning
von: Jiang, Siyang, et al.
Veröffentlicht: (2025)

Can Large Multimodal Models Inspect Buildings? A Hierarchical Benchmark for Structural Pathology Reasoning
von: Zhong, Hui, et al.
Veröffentlicht: (2026)

GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning
von: Liu, Bo, et al.
Veröffentlicht: (2025)

Towards Open-Vocabulary Industrial Defect Understanding with a Large-Scale Multimodal Dataset
von: Ni, TsaiChing, et al.
Veröffentlicht: (2025)

Image-of-Thought Prompting for Visual Reasoning Refinement in Multimodal Large Language Models
von: Zhou, Qiji, et al.
Veröffentlicht: (2024)

AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition
von: Wang, Zeheng, et al.
Veröffentlicht: (2026)

SkinCaRe: A Multimodal Dermatology Dataset Annotated with Medical Caption and Chain-of-Thought Reasoning
von: Shen, Yuhao, et al.
Veröffentlicht: (2024)

Enhancing the Reasoning Ability of Multimodal Large Language Models via Mixed Preference Optimization
von: Wang, Weiyun, et al.
Veröffentlicht: (2024)

Parameter-efficient Tuning of Large-scale Multimodal Foundation Model
von: Wang, Haixin, et al.
Veröffentlicht: (2023)

AgentVista: Evaluating Multimodal Agents in Ultra-Challenging Realistic Visual Scenarios
von: Su, Zhaochen, et al.
Veröffentlicht: (2026)

Thinking in Dynamics: How Multimodal Large Language Models Perceive, Track, and Reason Dynamics in Physical 4D World
von: Huang, Yuzhi, et al.
Veröffentlicht: (2026)