Buchumschlag

Efficient Multimodal Planning Agent for Visual Question-Answering

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Zhuo, Geng, Xinyu, Wang, Xinyu, Jiang, Yong, Zhang, Zhen, Xie, Pengjun, Tu, Kewei
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving Retrieval Augmented Open-Domain Question-Answering with Vectorized Contexts
von: Chen, Zhuo, et al.
Veröffentlicht: (2024)

Detecting Knowledge Boundary of Vision Large Language Models by Sampling-Based Inference
von: Chen, Zhuo, et al.
Veröffentlicht: (2025)

Let LLMs Take on the Latest Challenges! A Chinese Dynamic Question Answering Benchmark
von: Xu, Zhikun, et al.
Veröffentlicht: (2024)

Learning Robust Named Entity Recognizers From Noisy Data With Retrieval Augmentation
von: Ai, Chaoyi, et al.
Veröffentlicht: (2024)

Repurposing Synthetic Data for Fine-grained Search Agent Supervision
von: Zhao, Yida, et al.
Veröffentlicht: (2025)

AgentFrontier: Expanding the Capability Frontier of LLM Agents with ZPD-Guided Data Synthesis
von: Chen, Xuanzhong, et al.
Veröffentlicht: (2025)

An Entity Linking Agent for Question Answering
von: Luo, Yajie, et al.
Veröffentlicht: (2025)

Using Interpretation Methods for Model Enhancement
von: Chen, Zhuo, et al.
Veröffentlicht: (2024)

KBM: Delineating Knowledge Boundary for Adaptive Retrieval in Large Language Models
von: Zhang, Zhen, et al.
Veröffentlicht: (2024)

LLMs Meet Long Video: Advancing Long Video Question Answering with An Interactive Visual Adapter in LLMs
von: Li, Yunxin, et al.
Veröffentlicht: (2024)

A Comprehensive Evaluation of GPT-4V on Knowledge-Intensive Visual Question Answering
von: Li, Yunxin, et al.
Veröffentlicht: (2023)

EvolveSearch: An Iterative Self-Evolving Search Agent
von: Zhang, Dingchu, et al.
Veröffentlicht: (2025)

Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent
von: Li, Yangning, et al.
Veröffentlicht: (2024)

Text to Query Plans for Question Answering on Large Tables
von: Zhang, Yipeng, et al.
Veröffentlicht: (2025)

ChartAgent: A Multimodal Agent for Visually Grounded Reasoning in Complex Chart Question Answering
von: Kaur, Rachneet, et al.
Veröffentlicht: (2025)

WebAnchor: Anchoring Agent Planning to Stabilize Long-Horizon Web Reasoning
von: Yu, Xinmiao, et al.
Veröffentlicht: (2026)

Design as Desired: Utilizing Visual Question Answering for Multimodal Pre-training
von: Su, Tongkun, et al.
Veröffentlicht: (2024)

OmniRAG-Agent: Agentic Omnimodal Reasoning for Low-Resource Long Audio-Video Question Answering
von: Zhu, Yifan, et al.
Veröffentlicht: (2026)

LIVE: Learnable In-Context Vector for Visual Question Answering
von: Peng, Yingzhe, et al.
Veröffentlicht: (2024)

ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions
von: Ye, Jingheng, et al.
Veröffentlicht: (2024)

Towards On-Policy Data Evolution for Visual-Native Multimodal Deep Search Agents
von: Huang, Shijue, et al.
Veröffentlicht: (2026)

Unfolding the Headline: Iterative Self-Questioning for News Retrieval and Timeline Summarization
von: Wu, Weiqi, et al.
Veröffentlicht: (2025)

Layer-Condensed KV Cache for Efficient Inference of Large Language Models
von: Wu, Haoyi, et al.
Veröffentlicht: (2024)

Efficient Multi-Agent Collaboration with Tool Use for Online Planning in Complex Table Question Answering
von: Zhou, Wei, et al.
Veröffentlicht: (2024)

Multimodal Reranking for Knowledge-Intensive Visual Question Answering
von: Wen, Haoyang, et al.
Veröffentlicht: (2024)

Multimodal Commonsense Knowledge Distillation for Visual Question Answering
von: Yang, Shuo, et al.
Veröffentlicht: (2024)

Hierarchical Vision-Language Reasoning for Multimodal Multiple-Choice Question Answering
von: Zhou, Ao, et al.
Veröffentlicht: (2025)

Enhancing Visual Question Answering through Ranking-Based Hybrid Training and Multimodal Fusion
von: Chen, Peiyuan, et al.
Veröffentlicht: (2024)

Understanding Multimodal LLMs: the Mechanistic Interpretability of Llava in Visual Question Answering
von: Yu, Zeping, et al.
Veröffentlicht: (2024)

DashboardQA: Benchmarking Multimodal Agents for Question Answering on Interactive Dashboards
von: Kartha, Aaryaman, et al.
Veröffentlicht: (2025)

Multimodal Integration of Human-Like Attention in Visual Question Answering
von: Sood, Ekta, et al.
Veröffentlicht: (2021)

PASemiQA: Plan-Assisted Agent for Question Answering on Semi-Structured Data with Text and Relational Information
von: Yang, Hansi, et al.
Veröffentlicht: (2025)

WebResearcher: Unleashing unbounded reasoning capability in Long-Horizon Agents
von: Qiao, Zile, et al.
Veröffentlicht: (2025)

DRESSing Up LLM: Efficient Stylized Question-Answering via Style Subspace Editing
von: Ma, Xinyu, et al.
Veröffentlicht: (2025)

Agent Planning with World Knowledge Model
von: Qiao, Shuofei, et al.
Veröffentlicht: (2024)

O$^2$-Searcher: A Searching-based Agent Model for Open-Domain Open-Ended Question Answering
von: Mei, Jianbiao, et al.
Veröffentlicht: (2025)

Towards Perceiving Small Visual Details in Zero-shot Visual Question Answering with Multimodal LLMs
von: Zhang, Jiarui, et al.
Veröffentlicht: (2023)

Self-Improvement Programming for Temporal Knowledge Graph Question Answering
von: Chen, Zhuo, et al.
Veröffentlicht: (2024)

Exploring Diverse Methods in Visual Question Answering
von: Li, Panfeng, et al.
Veröffentlicht: (2024)

MAGIC-VQA: Multimodal And Grounded Inference with Commonsense Knowledge for Visual Question Answering
von: Yang, Shuo, et al.
Veröffentlicht: (2025)