Buchumschlag

VaPR -- Vision-language Preference alignment for Reasoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wadhawan, Rohan, Harel-Canada, Fabrice Y, Dou, Zi-Yi, Shakiah, Suhaila, Piramuthu, Robinson, Peng, Nanyun
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models
von: Zhang, Junyi, et al.
Veröffentlicht: (2025)

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

VALOR-EVAL: Holistic Coverage and Faithfulness Evaluation of Large Vision-Language Models
von: Qiu, Haoyi, et al.
Veröffentlicht: (2024)

GROUNDHOG: Grounding Large Language Models to Holistic Segmentation
von: Zhang, Yichi, et al.
Veröffentlicht: (2024)

Matryoshka Query Transformer for Large Vision-Language Models
von: Hu, Wenbo, et al.
Veröffentlicht: (2024)

FlexEControl: Flexible and Efficient Multimodal Control for Text-to-Image Generation
von: He, Xuehai, et al.
Veröffentlicht: (2024)

MRAG-Bench: Vision-Centric Evaluation for Retrieval-Augmented Multimodal Models
von: Hu, Wenbo, et al.
Veröffentlicht: (2024)

On Asymmetric Optimization of Reasoning and Perception in Vision-Language Model Post-Training
von: Wu, Xueqing, et al.
Veröffentlicht: (2026)

Saliency-R1: Enforcing Interpretable and Faithful Vision-language Reasoning via Saliency-map Alignment Reward
von: Gong, Shizhan, et al.
Veröffentlicht: (2026)

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

SLAM: Structural Linguistic Activation Marking for Language Models
von: Harel-Canada, Fabrice, et al.
Veröffentlicht: (2026)

Unlocking Exocentric Video-Language Data for Egocentric Video Representation Learning
von: Dou, Zi-Yi, et al.
Veröffentlicht: (2024)

START: Spatial and Textual Learning for Chart Understanding
von: Liu, Zhuoming, et al.
Veröffentlicht: (2025)

Vision-aligned Latent Reasoning for Multi-modal Large Language Model
von: Jeon, Byungwoo, et al.
Veröffentlicht: (2026)

"Don't forget to put the milk back!" Dataset for Enabling Embodied Agents to Detect Anomalous Situations
von: Mullen Jr, James F., et al.
Veröffentlicht: (2024)

VaMP: Variational Multi-Modal Prompt Learning for Vision-Language Models
von: Cheng, Silin, et al.
Veröffentlicht: (2025)

Kernel-based Unsupervised Embedding Alignment for Enhanced Visual Representation in Vision-language Models
von: Gong, Shizhan, et al.
Veröffentlicht: (2025)

T2V-Turbo-v2: Enhancing Video Generation Model Post-Training through Data, Reward, and Conditional Guidance Design
von: Li, Jiachen, et al.
Veröffentlicht: (2024)

Assessing the alignment between infants' visual and linguistic experience using multimodal language models
von: Tan, Alvin Wei Ming, et al.
Veröffentlicht: (2025)

VaLiD: Mitigating the Hallucination of Large Vision Language Models by Visual Layer Fusion Contrastive Decoding
von: Wang, Jiaqi, et al.
Veröffentlicht: (2024)

Hierarchical Refinement of Universal Multimodal Attacks on Vision-Language Models
von: Zhang, Peng-Fei, et al.
Veröffentlicht: (2026)

Self-alignment of Large Video Language Models with Refined Regularized Preference Optimization
von: Sarkar, Pritam, et al.
Veröffentlicht: (2025)

Road Rage Reasoning with Vision-language Models (VLMs): Task Definition and Evaluation Dataset
von: Weng, Yibing, et al.
Veröffentlicht: (2025)

ViVa-SAFELAND: a New Freeware for Safe Validation of Vision-based Navigation in Aerial Vehicles
von: Soriano-García, Miguel S., et al.
Veröffentlicht: (2025)

VaViM and VaVAM: Autonomous Driving through Video Generative Modeling
von: Bartoccioni, Florent, et al.
Veröffentlicht: (2025)

Improving vision-language alignment with graph spiking hybrid Networks
von: Zhang, Siyu, et al.
Veröffentlicht: (2025)

From Preferences to Prejudice: The Role of Alignment Tuning in Shaping Social Bias in Video Diffusion Models
von: Cai, Zefan, et al.
Veröffentlicht: (2025)

Measuring Psychological Depth in Language Models
von: Harel-Canada, Fabrice, et al.
Veröffentlicht: (2024)

VideoReasonBench: Can MLLMs Perform Vision-Centric Complex Video Reasoning?
von: Liu, Yuanxin, et al.
Veröffentlicht: (2025)

MAA: Meticulous Adversarial Attack against Vision-Language Pre-trained Models
von: Zhang, Peng-Fei, et al.
Veröffentlicht: (2025)

Sandcastles in the Storm: Revisiting the (Im)possibility of Strong Watermarking
von: Harel-Canada, Fabrice Y, et al.
Veröffentlicht: (2025)

Vision-Language Memory for Spatial Reasoning
von: Liu, Zuntao, et al.
Veröffentlicht: (2025)

Pixel-aligned RGB-NIR Stereo Imaging and Dataset for Robot Vision
von: Kim, Jinnyeong, et al.
Veröffentlicht: (2024)

Feature Projection Learning for Better Vision-Language Reasoning
von: Zhang, Yi, et al.
Veröffentlicht: (2026)

MoDiPO: text-to-motion alignment via AI-feedback-driven Direct Preference Optimization
von: Pappa, Massimiliano, et al.
Veröffentlicht: (2024)

Visual representations in the human brain are aligned with large language models
von: Doerig, Adrien, et al.
Veröffentlicht: (2022)

Improving Vision-language Models with Perception-centric Process Reward Models
von: Min, Yingqian, et al.
Veröffentlicht: (2026)

Muskie: Multi-view Masked Image Modeling for 3D Vision Pre-training
von: Li, Wenyu, et al.
Veröffentlicht: (2025)

OmniVaT: Single Domain Generalization for Multimodal Visual-Tactile Learning
von: Qiu, Liuxiang, et al.
Veröffentlicht: (2026)

GaussianVLM: Scene-centric 3D Vision-Language Models using Language-aligned Gaussian Splats for Embodied Reasoning and Beyond
von: Halacheva, Anna-Maria, et al.
Veröffentlicht: (2025)