Cambrian-S: Towards Spatial Supersensing in Video
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Yang, Shusheng, Yang, Jihan, Huang, Pinzhi, Brown, Ellis, Yang, Zihao, Yu, Yue, Tong, Shengbang, Zheng, Zihan, Xu, Yifan, Wang, Muhan, Lu, Daohan, Fergus, Rob, LeCun, Yann, Fei-Fei, Li, Xie, Saining |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Cambrian-1: A Fully Open, Vision-Centric Exploration of Multimodal LLMs
par: Tong, Shengbang, et autres
Publié: (2024)
par: Tong, Shengbang, et autres
Publié: (2024)
Benchmark Designers Should "Train on the Test Set" to Expose Exploitable Non-Visual Shortcuts
par: Brown, Ellis, et autres
Publié: (2025)
par: Brown, Ellis, et autres
Publié: (2025)
Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders
par: Tong, Shengbang, et autres
Publié: (2026)
par: Tong, Shengbang, et autres
Publié: (2026)
Cambrian-P: Pose-Grounded Video Understanding
par: Yang, Jihan, et autres
Publié: (2026)
par: Yang, Jihan, et autres
Publié: (2026)
Eyes Wide Shut? Exploring the Visual Shortcomings of Multimodal LLMs
par: Tong, Shengbang, et autres
Publié: (2024)
par: Tong, Shengbang, et autres
Publié: (2024)
SIMS-V: Simulated Instruction-Tuning for Spatial Video Understanding
par: Brown, Ellis, et autres
Publié: (2025)
par: Brown, Ellis, et autres
Publié: (2025)
Traveling Across Languages: Benchmarking Cross-Lingual Consistency in Multimodal LLMs
par: Wang, Hao, et autres
Publié: (2025)
par: Wang, Hao, et autres
Publié: (2025)
Thinking in Space: How Multimodal Large Language Models See, Remember, and Recall Spaces
par: Yang, Jihan, et autres
Publié: (2024)
par: Yang, Jihan, et autres
Publié: (2024)
Exploiting Linear Structure Within Convolutional Networks for Efficient Evaluation
par: Denton, Remi, et autres
Publié: (2014)
par: Denton, Remi, et autres
Publié: (2014)
V-IRL: Grounding Virtual Intelligence in Real Life
par: Yang, Jihan, et autres
Publié: (2024)
par: Yang, Jihan, et autres
Publié: (2024)
Fast and Exact Enumeration of Deep Networks Partitions Regions
par: Balestriero, Randall, et autres
Publié: (2024)
par: Balestriero, Randall, et autres
Publié: (2024)
Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence
par: Dawid, Anna, et autres
Publié: (2023)
par: Dawid, Anna, et autres
Publié: (2023)
LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics
par: Balestriero, Randall, et autres
Publié: (2025)
par: Balestriero, Randall, et autres
Publié: (2025)
Learning by Reconstruction Produces Uninformative Features For Perception
par: Balestriero, Randall, et autres
Publié: (2024)
par: Balestriero, Randall, et autres
Publié: (2024)
Solving Spatial Supersensing Without Spatial Supersensing
par: Udandarao, Vishaal, et autres
Publié: (2025)
par: Udandarao, Vishaal, et autres
Publié: (2025)
MetaMorph: Multimodal Understanding and Generation via Instruction Tuning
par: Tong, Shengbang, et autres
Publié: (2024)
par: Tong, Shengbang, et autres
Publié: (2024)
Video Representation Learning with Joint-Embedding Predictive Architectures
par: Drozdov, Katrina, et autres
Publié: (2024)
par: Drozdov, Katrina, et autres
Publié: (2024)
PaintBench: Deterministic Evaluation of Precise Visual Editing
par: Xu, Kai, et autres
Publié: (2026)
par: Xu, Kai, et autres
Publié: (2026)
Scaling Language-Free Visual Representation Learning
par: Fan, David, et autres
Publié: (2025)
par: Fan, David, et autres
Publié: (2025)
Fine-Tuning Large Vision-Language Models as Decision-Making Agents via Reinforcement Learning
par: Zhai, Yuexiang, et autres
Publié: (2024)
par: Zhai, Yuexiang, et autres
Publié: (2024)
LLM-JEPA: Large Language Models Meet Joint Embedding Predictive Architectures
par: Huang, Hai, et autres
Publié: (2025)
par: Huang, Hai, et autres
Publié: (2025)
Semantic Tube Prediction: Beating LLM Data Efficiency with JEPA
par: Huang, Hai, et autres
Publié: (2026)
par: Huang, Hai, et autres
Publié: (2026)
Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science
par: Dupoux, Emmanuel, et autres
Publié: (2026)
par: Dupoux, Emmanuel, et autres
Publié: (2026)
Variance Covariance Regularization Enforces Pairwise Independence in Self-Supervised Representations
par: Mialon, Grégoire, et autres
Publié: (2022)
par: Mialon, Grégoire, et autres
Publié: (2022)
A hierarchical loss and its problems when classifying non-hierarchically
par: Wu, Cinna, et autres
Publié: (2017)
par: Wu, Cinna, et autres
Publié: (2017)
Beyond Language Modeling: An Exploration of Multimodal Pretraining
par: Tong, Shengbang, et autres
Publié: (2026)
par: Tong, Shengbang, et autres
Publié: (2026)
SFT Memorizes, RL Generalizes: A Comparative Study of Foundation Model Post-training
par: Chu, Tianzhe, et autres
Publié: (2025)
par: Chu, Tianzhe, et autres
Publié: (2025)
Diffusion Transformers with Representation Autoencoders
par: Zheng, Boyang, et autres
Publié: (2025)
par: Zheng, Boyang, et autres
Publié: (2025)
What Drives Success in Physical Planning with Joint-Embedding Predictive World Models?
par: Terver, Basile, et autres
Publié: (2025)
par: Terver, Basile, et autres
Publié: (2025)
URLOST: Unsupervised Representation Learning without Stationarity or Topology
par: Yun, Zeyu, et autres
Publié: (2023)
par: Yun, Zeyu, et autres
Publié: (2023)
DINO-WM: World Models on Pre-trained Visual Features enable Zero-shot Planning
par: Zhou, Gaoyue, et autres
Publié: (2024)
par: Zhou, Gaoyue, et autres
Publié: (2024)
Gaussian Embeddings: How JEPAs Secretly Learn Your Data Density
par: Balestriero, Randall, et autres
Publié: (2025)
par: Balestriero, Randall, et autres
Publié: (2025)
The Spike, the Sparse and the Sink: Anatomy of Massive Activations and Attention Sinks
par: Sun, Shangwen, et autres
Publié: (2026)
par: Sun, Shangwen, et autres
Publié: (2026)
Whole-Body Conditioned Egocentric Video Prediction
par: Bai, Yutong, et autres
Publié: (2025)
par: Bai, Yutong, et autres
Publié: (2025)
AI Must Embrace Specialization via Superhuman Adaptable Intelligence
par: Goldfeder, Judah, et autres
Publié: (2026)
par: Goldfeder, Judah, et autres
Publié: (2026)
The Entropy Enigma: Success and Failure of Entropy Minimization
par: Press, Ori, et autres
Publié: (2024)
par: Press, Ori, et autres
Publié: (2024)
RoboPEPP: Vision-Based Robot Pose and Joint Angle Estimation through Embedding Predictive Pre-Training
par: Goswami, Raktim Gautam, et autres
Publié: (2024)
par: Goswami, Raktim Gautam, et autres
Publié: (2024)
OSVI-WM: One-Shot Visual Imitation for Unseen Tasks using World-Model-Guided Trajectory Generation
par: Goswami, Raktim Gautam, et autres
Publié: (2025)
par: Goswami, Raktim Gautam, et autres
Publié: (2025)
Blockwise Self-Supervised Learning at Scale
par: Siddiqui, Shoaib Ahmed, et autres
Publié: (2023)
par: Siddiqui, Shoaib Ahmed, et autres
Publié: (2023)
Causal-JEPA: Learning World Models through Object-Level Latent Masking
par: Nam, Heejeong, et autres
Publié: (2026)
par: Nam, Heejeong, et autres
Publié: (2026)
Documents similaires
-
Cambrian-1: A Fully Open, Vision-Centric Exploration of Multimodal LLMs
par: Tong, Shengbang, et autres
Publié: (2024) -
Benchmark Designers Should "Train on the Test Set" to Expose Exploitable Non-Visual Shortcuts
par: Brown, Ellis, et autres
Publié: (2025) -
Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders
par: Tong, Shengbang, et autres
Publié: (2026) -
Cambrian-P: Pose-Grounded Video Understanding
par: Yang, Jihan, et autres
Publié: (2026) -
Eyes Wide Shut? Exploring the Visual Shortcomings of Multimodal LLMs
par: Tong, Shengbang, et autres
Publié: (2024)