Buchumschlag

Answer-Consistent Chain-of-thought Reinforcement Learning For Multi-modal Large Langauge Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Minbin, Huang, Runhui, Zheng, Chuanyang, Li, Jingyao, Chen, Guoxuan, Shi, Han, Cheng, Hong
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

Efficient Multi-modal Large Language Models via Visual Token Grouping
von: Huang, Minbin, et al.
Veröffentlicht: (2024)

DialogGen: Multi-modal Interactive Dialogue System for Multi-turn Text-to-Image Generation
von: Huang, Minbin, et al.
Veröffentlicht: (2024)

Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data
von: Wang, Haonan, et al.
Veröffentlicht: (2023)

Visual-O1: Understanding Ambiguous Instructions via Multi-modal Multi-turn Chain-of-thoughts Reasoning
von: Ni, Minheng, et al.
Veröffentlicht: (2024)

TACO: Think-Answer Consistency for Optimized Long-Chain Reasoning and Efficient Data Learning via Reinforcement Learning in LVLMs
von: Kan, Zhehan, et al.
Veröffentlicht: (2025)

TheaterGen: Character Management with LLM for Consistent Multi-turn Image Generation
von: Cheng, Junhao, et al.
Veröffentlicht: (2024)

The Linear Attention Resurrection in Vision Transformer
von: Zheng, Chuanyang
Veröffentlicht: (2025)

PosterLlama: Bridging Design Ability of Langauge Model to Contents-Aware Layout Generation
von: Seol, Jaejung, et al.
Veröffentlicht: (2024)

CLIP-VQDiffusion : Langauge Free Training of Text To Image generation using CLIP and vector quantized diffusion model
von: Han, Seungdae, et al.
Veröffentlicht: (2024)

Efficient Multi-modal Large Language Models via Progressive Consistency Distillation
von: Wen, Zichen, et al.
Veröffentlicht: (2025)

iFormer: Integrating ConvNet and Transformer for Mobile Application
von: Zheng, Chuanyang
Veröffentlicht: (2025)

OmniDrive-R1: Reinforcement-driven Interleaved Multi-modal Chain-of-Thought for Trustworthy Vision-Language Autonomous Driving
von: Zhang, Zhenguo, et al.
Veröffentlicht: (2025)

Multi-modal Generative AI: Multi-modal LLMs, Diffusions, and the Unification
von: Wang, Xin, et al.
Veröffentlicht: (2024)

Universal Video Temporal Grounding with Generative Multi-modal Large Language Models
von: Li, Zeqian, et al.
Veröffentlicht: (2025)

Hierarchical Cross-modal Prompt Learning for Vision-Language Models
von: Zheng, Hao, et al.
Veröffentlicht: (2025)

Distilling Multi-modal Large Language Models for Autonomous Driving
von: Hegde, Deepti, et al.
Veröffentlicht: (2025)

LLMRA: Multi-modal Large Language Model based Restoration Assistant
von: Jin, Xiaoyu, et al.
Veröffentlicht: (2024)

Deep Reversible Consistency Learning for Cross-modal Retrieval
von: Pu, Ruitao, et al.
Veröffentlicht: (2025)

CG-MLLM: Captioning and Generating 3D content via Multi-modal Large Language Models
von: Huang, Junming, et al.
Veröffentlicht: (2026)

CoMT: A Novel Benchmark for Chain of Multi-modal Thought on Large Vision-Language Models
von: Cheng, Zihui, et al.
Veröffentlicht: (2024)

Enhancing Shape Perception and Segmentation Consistency for Industrial Image Inspection
von: Mao, Guoxuan, et al.
Veröffentlicht: (2025)

LayerDiff: Exploring Text-guided Multi-layered Composable Image Synthesis via Layer-Collaborative Diffusion Model
von: Huang, Runhui, et al.
Veröffentlicht: (2024)

Hallu-PI: Evaluating Hallucination in Multi-modal Large Language Models within Perturbed Inputs
von: Ding, Peng, et al.
Veröffentlicht: (2024)

Causal Prompt Calibration Guided Segment Anything Model for Open-Vocabulary Multi-Entity Segmentation
von: Wang, Jingyao, et al.
Veröffentlicht: (2025)

Advancing Large Multi-modal Models with Explicit Chain-of-Reasoning and Visual Question Generation
von: Uehara, Kohei, et al.
Veröffentlicht: (2024)

Large Multi-modal Models Can Interpret Features in Large Multi-modal Models
von: Zhang, Kaichen, et al.
Veröffentlicht: (2024)

HiRes-LLaVA: Restoring Fragmentation Input in High-Resolution Large Vision-Language Models
von: Huang, Runhui, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Large Model: A Survey
von: Wu, Weijia, et al.
Veröffentlicht: (2025)

Think and Answer ME: Benchmarking and Exploring Multi-Entity Reasoning Grounding in Remote Sensing
von: Lyu, Shuchang, et al.
Veröffentlicht: (2026)

Dynamic Mixture-of-Experts for Visual Autoregressive Model
von: Vincenti, Jort, et al.
Veröffentlicht: (2025)

Fast3D: Accelerating 3D Multi-modal Large Language Models for Efficient 3D Scene Understanding
von: Huang, Wencan, et al.
Veröffentlicht: (2025)

More Than the Final Answer: Improving Visual Extraction and Logical Consistency in Vision-Language Models
von: Just, Hoang Anh, et al.
Veröffentlicht: (2025)

Visual Hallucinations of Multi-modal Large Language Models
von: Huang, Wen, et al.
Veröffentlicht: (2024)

MuMA-ToM: Multi-modal Multi-Agent Theory of Mind
von: Shi, Haojun, et al.
Veröffentlicht: (2024)

Distribution-Consistency-Guided Multi-modal Hashing
von: Liu, Jin-Yu, et al.
Veröffentlicht: (2024)

Q-Doc: Benchmarking Document Image Quality Assessment Capabilities in Multi-modal Large Language Models
von: Huang, Jiaxi, et al.
Veröffentlicht: (2025)

Unveiling the Tapestry of Consistency in Large Vision-Language Models
von: Zhang, Yuan, et al.
Veröffentlicht: (2024)

CLIP Multi-modal Hashing for Multimedia Retrieval
von: Zhu, Jian, et al.
Veröffentlicht: (2024)

ChineseVideoBench: Benchmarking Multi-modal Large Models for Chinese Video Question Answering
von: Nie, Yuxiang, et al.
Veröffentlicht: (2025)

AnomalyXFusion: Multi-modal Anomaly Synthesis with Diffusion
von: Hu, Jie, et al.
Veröffentlicht: (2024)