Enregistré dans:
| Auteurs principaux: | Huang, Guolei, Peng, Qinzhi, Xu, Gan, Huang, Yao, Lu, Yuxuan, Shen, Yongjun |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | https://arxiv.org/abs/2509.25896 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
VoCo-LLaMA: Towards Vision Compression with Large Language Models
par: Ye, Xubing, et autres
Publié: (2024)
par: Ye, Xubing, et autres
Publié: (2024)
LLaVA-KD: A Framework of Distilling Multimodal Large Language Models
par: Cai, Yuxuan, et autres
Publié: (2024)
par: Cai, Yuxuan, et autres
Publié: (2024)
MM-Snowball: Evaluating and Mitigating Hallucination Snowballing in Multimodal Multi-Turn Dialogue
par: Jiang, Yue, et autres
Publié: (2026)
par: Jiang, Yue, et autres
Publié: (2026)
Dynamic-LLaVA: Efficient Multimodal Large Language Models via Dynamic Vision-language Context Sparsification
par: Huang, Wenxuan, et autres
Publié: (2024)
par: Huang, Wenxuan, et autres
Publié: (2024)
Taking Notes Brings Focus? Towards Multi-Turn Multimodal Dialogue Learning
par: Liu, Jiazheng, et autres
Publié: (2025)
par: Liu, Jiazheng, et autres
Publié: (2025)
ATP-LLaVA: Adaptive Token Pruning for Large Vision Language Models
par: Ye, Xubing, et autres
Publié: (2024)
par: Ye, Xubing, et autres
Publié: (2024)
MT-Video-Bench: A Holistic Video Understanding Benchmark for Evaluating Multimodal LLMs in Multi-Turn Dialogues
par: Pan, Yaning, et autres
Publié: (2025)
par: Pan, Yaning, et autres
Publié: (2025)
MoE-LLaVA: Mixture of Experts for Large Vision-Language Models
par: Lin, Bin, et autres
Publié: (2024)
par: Lin, Bin, et autres
Publié: (2024)
VisionLLaMA: A Unified LLaMA Backbone for Vision Tasks
par: Chu, Xiangxiang, et autres
Publié: (2024)
par: Chu, Xiangxiang, et autres
Publié: (2024)
HiRes-LLaVA: Restoring Fragmentation Input in High-Resolution Large Vision-Language Models
par: Huang, Runhui, et autres
Publié: (2024)
par: Huang, Runhui, et autres
Publié: (2024)
LLaVA-CoT: Let Vision Language Models Reason Step-by-Step
par: Xu, Guowei, et autres
Publié: (2024)
par: Xu, Guowei, et autres
Publié: (2024)
MC-LLaVA: Multi-Concept Personalized Vision-Language Model
par: An, Ruichuan, et autres
Publié: (2025)
par: An, Ruichuan, et autres
Publié: (2025)
MC-LLaVA: Multi-Concept Personalized Vision-Language Model
par: An, Ruichuan, et autres
Publié: (2024)
par: An, Ruichuan, et autres
Publié: (2024)
u-LLaVA: Unifying Multi-Modal Tasks via Large Language Model
par: Xu, Jinjin, et autres
Publié: (2023)
par: Xu, Jinjin, et autres
Publié: (2023)
Hierarchical Refinement of Universal Multimodal Attacks on Vision-Language Models
par: Zhang, Peng-Fei, et autres
Publié: (2026)
par: Zhang, Peng-Fei, et autres
Publié: (2026)
ZALM3: Zero-Shot Enhancement of Vision-Language Alignment via In-Context Information in Multi-Turn Multimodal Medical Dialogue
par: Li, Zhangpu, et autres
Publié: (2024)
par: Li, Zhangpu, et autres
Publié: (2024)
LLaVA-RadZ: Can Multimodal Large Language Models Effectively Tackle Zero-shot Radiology Recognition?
par: Li, Bangyan, et autres
Publié: (2025)
par: Li, Bangyan, et autres
Publié: (2025)
LLaDA2.0-Uni: Unifying Multimodal Understanding and Generation with Diffusion Large Language Model
par: AI, Inclusion, et autres
Publié: (2026)
par: AI, Inclusion, et autres
Publié: (2026)
EfficientLLaVA:Generalizable Auto-Pruning for Large Vision-language Models
par: Liang, Yinan, et autres
Publié: (2025)
par: Liang, Yinan, et autres
Publié: (2025)
LLaVA-ST: A Multimodal Large Language Model for Fine-Grained Spatial-Temporal Understanding
par: Li, Hongyu, et autres
Publié: (2025)
par: Li, Hongyu, et autres
Publié: (2025)
MultiVerse: A Multi-Turn Conversation Benchmark for Evaluating Large Vision and Language Models
par: Lee, Young-Jun, et autres
Publié: (2025)
par: Lee, Young-Jun, et autres
Publié: (2025)
LLaVA-Critic: Learning to Evaluate Multimodal Models
par: Xiong, Tianyi, et autres
Publié: (2024)
par: Xiong, Tianyi, et autres
Publié: (2024)
Breaking Modality Heterogeneity in Low-Bit Quantization for Large Vision-Language Models
par: Zhong, Yi, et autres
Publié: (2026)
par: Zhong, Yi, et autres
Publié: (2026)
Multi-Turn Adaptive Prompting Attack on Large Vision-Language Models
par: Choi, In Chong, et autres
Publié: (2026)
par: Choi, In Chong, et autres
Publié: (2026)
ProGuard: Towards Proactive Multimodal Safeguard
par: Yu, Shaohan, et autres
Publié: (2025)
par: Yu, Shaohan, et autres
Publié: (2025)
LLaVA-SLT: Visual Language Tuning for Sign Language Translation
par: Liang, Han, et autres
Publié: (2024)
par: Liang, Han, et autres
Publié: (2024)
Generalized Few-shot 3D Point Cloud Segmentation with Vision-Language Model
par: An, Zhaochong, et autres
Publié: (2025)
par: An, Zhaochong, et autres
Publié: (2025)
Vision-Centric Activation and Coordination for Multimodal Large Language Models
par: Wang, Yunnan, et autres
Publié: (2025)
par: Wang, Yunnan, et autres
Publié: (2025)
LLaDA-VLA: Vision Language Diffusion Action Models
par: Wen, Yuqing, et autres
Publié: (2025)
par: Wen, Yuqing, et autres
Publié: (2025)
AMMKD: Adaptive Multimodal Multi-teacher Distillation for Lightweight Vision-Language Models
par: Li, Yuqi, et autres
Publié: (2025)
par: Li, Yuqi, et autres
Publié: (2025)
LLaVA-MR: Large Language-and-Vision Assistant for Video Moment Retrieval
par: Lu, Weiheng, et autres
Publié: (2024)
par: Lu, Weiheng, et autres
Publié: (2024)
ConvLLaVA: Hierarchical Backbones as Visual Encoder for Large Multimodal Models
par: Ge, Chunjiang, et autres
Publié: (2024)
par: Ge, Chunjiang, et autres
Publié: (2024)
LLaVA-VSD: Large Language-and-Vision Assistant for Visual Spatial Description
par: Jin, Yizhang, et autres
Publié: (2024)
par: Jin, Yizhang, et autres
Publié: (2024)
SVBench: A Benchmark with Temporal Multi-Turn Dialogues for Streaming Video Understanding
par: Yang, Zhenyu, et autres
Publié: (2025)
par: Yang, Zhenyu, et autres
Publié: (2025)
Turning Adaptation into Assets: Cross-Domain Bridging for Online Vision-Language Navigation
par: Hu, Zixuan, et autres
Publié: (2026)
par: Hu, Zixuan, et autres
Publié: (2026)
Investigating and Mitigating the Multimodal Hallucination Snowballing in Large Vision-Language Models
par: Zhong, Weihong, et autres
Publié: (2024)
par: Zhong, Weihong, et autres
Publié: (2024)
When LLaVA Meets Objects: Token Composition for Vision-Language-Models
par: Jahagirdar, Soumya, et autres
Publié: (2026)
par: Jahagirdar, Soumya, et autres
Publié: (2026)
Continual LLaVA: Continual Instruction Tuning in Large Vision-Language Models
par: Cao, Meng, et autres
Publié: (2024)
par: Cao, Meng, et autres
Publié: (2024)
SlowFast-LLaVA: A Strong Training-Free Baseline for Video Large Language Models
par: Xu, Mingze, et autres
Publié: (2024)
par: Xu, Mingze, et autres
Publié: (2024)
LLaVA-ReID: Selective Multi-image Questioner for Interactive Person Re-Identification
par: Lu, Yiding, et autres
Publié: (2025)
par: Lu, Yiding, et autres
Publié: (2025)
Documents similaires
-
VoCo-LLaMA: Towards Vision Compression with Large Language Models
par: Ye, Xubing, et autres
Publié: (2024) -
LLaVA-KD: A Framework of Distilling Multimodal Large Language Models
par: Cai, Yuxuan, et autres
Publié: (2024) -
MM-Snowball: Evaluating and Mitigating Hallucination Snowballing in Multimodal Multi-Turn Dialogue
par: Jiang, Yue, et autres
Publié: (2026) -
Dynamic-LLaVA: Efficient Multimodal Large Language Models via Dynamic Vision-language Context Sparsification
par: Huang, Wenxuan, et autres
Publié: (2024) -
Taking Notes Brings Focus? Towards Multi-Turn Multimodal Dialogue Learning
par: Liu, Jiazheng, et autres
Publié: (2025)