Buchumschlag

SwimBird: Eliciting Switchable Reasoning Mode in Hybrid Autoregressive MLLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tong, Jintao, Yan, Shilin, Xue, Hongwei, Tang, Xiaojun, Shi, Kunyu, Zhang, Guannan, Li, Ruixuan, Zou, Yixiong
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Act Wisely: Cultivating Meta-Cognitive Tool Use in Agentic Multimodal Models
von: Yan, Shilin, et al.
Veröffentlicht: (2026)

Sketch-in-Latents: Eliciting Unified Reasoning in MLLMs
von: Tong, Jintao, et al.
Veröffentlicht: (2025)

Lightweight Frequency Masker for Cross-Domain Few-Shot Semantic Segmentation
von: Tong, Jintao, et al.
Veröffentlicht: (2024)

MM-CondChain: A Programmatically Verified Benchmark for Visually Grounded Deep Compositional Reasoning
von: Shen, Haozhan, et al.
Veröffentlicht: (2026)

Self-Disentanglement and Re-Composition for Cross-Domain Few-Shot Segmentation
von: Tong, Jintao, et al.
Veröffentlicht: (2025)

Beyond Scattered Acceptance: Fast and Coherent Inference for DLMs via Longest Stable Prefixes
von: Li, Pengxiang, et al.
Veröffentlicht: (2026)

Adapter Naturally Serves as Decoupler for Cross-Domain Few-Shot Semantic Segmentation
von: Tong, Jintao, et al.
Veröffentlicht: (2025)

Addressing Exacerbated Attention Sink for Source-Free Cross-Domain Few-Shot Learning
von: Yi, Shuai, et al.
Veröffentlicht: (2026)

Revisiting Continuity of Image Tokens for Cross-domain Few-shot Learning
von: Yi, Shuai, et al.
Veröffentlicht: (2025)

Revisiting Pool-based Prompt Learning for Few-shot Class-incremental Learning
von: Jiang, Yongwei, et al.
Veröffentlicht: (2025)

Reconstruction Target Matters in Masked Image Modeling for Cross-Domain Few-Shot Learning
von: Ma, Ran, et al.
Veröffentlicht: (2024)

Random Registers for Cross-Domain Few-Shot Learning
von: Yi, Shuai, et al.
Veröffentlicht: (2025)

Remedying Target-Domain Astigmatism for Cross-Domain Few-Shot Object Detection
von: Jiang, Yongwei, et al.
Veröffentlicht: (2026)

Improving CLIP Adaptation by Breaking Tail Alignment for Source-Free Cross-Domain Few-Shot Learning
von: Yi, Shuai, et al.
Veröffentlicht: (2026)

FlowCut: Rethinking Redundancy via Information Flow for Efficient Vision-Language Models
von: Tong, Jintao, et al.
Veröffentlicht: (2025)

Latent Sketchpad: Sketching Visual Thoughts to Elicit Multimodal Reasoning in MLLMs
von: Zhang, Huanyu, et al.
Veröffentlicht: (2025)

The Devil is in Low-Level Features for Cross-Domain Few-Shot Segmentation
von: Liu, Yuhan, et al.
Veröffentlicht: (2025)

Interpretable Cross-Domain Few-Shot Learning with Rectified Target-Domain Local Alignment
von: Zhao, Yaze, et al.
Veröffentlicht: (2026)

Learning Unknowns from Unknowns: Diversified Negative Prototypes Generator for Few-Shot Open-Set Recognition
von: Zhang, Zhenyu, et al.
Veröffentlicht: (2024)

Math Blind: Failures in Diagram Understanding Undermine Reasoning in MLLMs
von: Sun, Yanpeng, et al.
Veröffentlicht: (2025)

Mind the Discriminability Trap in Source-Free Cross-domain Few-shot Learning
von: Zhang, Zhenyu, et al.
Veröffentlicht: (2026)

Flatten Long-Range Loss Landscapes for Cross-Domain Few-Shot Learning
von: Zou, Yixiong, et al.
Veröffentlicht: (2024)

Delve into Base-Novel Confusion: Redundancy Exploration for Few-Shot Class-Incremental Learning
von: Zhou, Haichen, et al.
Veröffentlicht: (2024)

Compositional Few-Shot Class-Incremental Learning
von: Zou, Yixiong, et al.
Veröffentlicht: (2024)

Reviving In-domain Fine-tuning Methods for Source-Free Cross-domain Few-shot Learning
von: Zhao, Yaze, et al.
Veröffentlicht: (2026)

E-VAds: An E-commerce Short Videos Understanding Benchmark for MLLMs
von: Liu, Xianjie, et al.
Veröffentlicht: (2026)

POINTS-Long: Adaptive Dual-Mode Visual Reasoning in MLLMs
von: Wang, Haicheng, et al.
Veröffentlicht: (2026)

HiDe: Rethinking The Zoom-IN method in High Resolution MLLMs via Hierarchical Decoupling
von: Liu, Xianjie, et al.
Veröffentlicht: (2025)

GranViT: A Fine-Grained Vision Model With Autoregressive Perception For MLLMs
von: Zheng, Guanghao, et al.
Veröffentlicht: (2025)

MICM: Rethinking Unsupervised Pretraining for Enhanced Few-shot Learning
von: Zhang, Zhenyu, et al.
Veröffentlicht: (2024)

Start Small, Think Big: Curriculum-based Relative Policy Optimization for Visual Grounding
von: Yan, Qingyang, et al.
Veröffentlicht: (2025)

RealBirdID: Benchmarking Bird Species Identification in the Era of MLLMs
von: Lawrence, Logan, et al.
Veröffentlicht: (2026)

Speculative Decoding for Autoregressive Video Generation
von: Hu, Yuezhou, et al.
Veröffentlicht: (2026)

Open Eyes, Then Reason: Fine-grained Visual Mathematical Understanding in MLLMs
von: Zhang, Shan, et al.
Veröffentlicht: (2025)

VITAL: Visual-Semantic Dual Supervision for Enhanced and Interpretable Latent Reasoning in Medical MLLMs
von: Li, Qiaoru, et al.
Veröffentlicht: (2026)

AdaptMMBench: Benchmarking Adaptive Multimodal Reasoning for Mode Selection and Reasoning Process
von: Zhang, Xintong, et al.
Veröffentlicht: (2026)

Grounded Forcing: Bridging Time-Independent Semantics and Proximal Dynamics in Autoregressive Video Synthesis
von: Chen, Jintao, et al.
Veröffentlicht: (2026)

Where MLLMs Attend and What They Rely On: Explaining Autoregressive Token Generation
von: Chen, Ruoyu, et al.
Veröffentlicht: (2025)

From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs
von: Wu, Mingrui, et al.
Veröffentlicht: (2025)

AV-Reasoner: Improving and Benchmarking Clue-Grounded Audio-Visual Counting for MLLMs
von: Lu, Lidong, et al.
Veröffentlicht: (2025)