Buchumschlag

A Progressive Training Strategy for Vision-Language Models to Counteract Spatio-Temporal Hallucinations in Embodied Reasoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Xiaoda, Yang, Shuai, Wang, Can, Xue, Jingyang, Tang, Menglan, Yu, Checheng, Zhou, Xunzhe, Zhou, Sashuai, Jin, Tao, Yang, Lixin, Yue, Xiangyu, Zhao, Zhou
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Perception to Planning: Evolving Ego-Centric Task-Oriented Spatiotemporal Reasoning via Curriculum Learning
von: Yang, Xiaoda, et al.
Veröffentlicht: (2026)

DISC: Decoupling Instruction from State-Conditioned Control via Policy Generation
von: Ren, Hanxiang, et al.
Veröffentlicht: (2026)

Bi-Adapt: Few-shot Bimanual Adaptation for Novel Categories of 3D Objects via Semantic Correspondence
von: Zhou, Jinxian, et al.
Veröffentlicht: (2026)

Inductive Spatio-Temporal Kriging with Physics-Guided Increment Training Strategy for Air Quality Inference
von: Yang, Songlin, et al.
Veröffentlicht: (2025)

TPC: Cross-Temporal Prediction Connection for Vision-Language Model Hallucination Reduction
von: Wang, Chao, et al.
Veröffentlicht: (2025)

Hyper-GoalNet: Goal-Conditioned Manipulation Policy Learning with HyperNetworks
von: Zhou, Pei, et al.
Veröffentlicht: (2025)

OmniCam: Unified Multimodal Video Generation via Camera Control
von: Yang, Xiaoda, et al.
Veröffentlicht: (2025)

SpatialReward: Verifiable Spatial Reward Modeling for Fine-Grained Spatial Consistency in Text-to-Image Generation
von: Zhou, Sashuai, et al.
Veröffentlicht: (2026)

Reconstructing Close Human Interactions from Multiple Views
von: Shuai, Qing, et al.
Veröffentlicht: (2024)

DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark
von: Hu, Ruofan, et al.
Veröffentlicht: (2026)

MINT: Mitigating Hallucinations in Large Vision-Language Models via Token Reduction
von: Wang, Chao, et al.
Veröffentlicht: (2025)

Towards Vision-Language Geo-Foundation Model: A Survey
von: Zhou, Yue, et al.
Veröffentlicht: (2024)

Mitigating Hallucinations in Large Vision-Language Models with Internal Fact-based Contrastive Decoding
von: Wang, Chao, et al.
Veröffentlicht: (2025)

Enhancing Multi-modal Models with Heterogeneous MoE Adapters for Fine-tuning
von: Zhou, Sashuai, et al.
Veröffentlicht: (2025)

Agentic Spatio-Temporal Grounding via Collaborative Reasoning
von: Zhao, Heng, et al.
Veröffentlicht: (2026)

Unified Thinker: A General Reasoning Modular Core for Image Generation
von: Zhou, Sashuai, et al.
Veröffentlicht: (2026)

EMOS: Embodiment-aware Heterogeneous Multi-robot Operating System with LLM Agents
von: Chen, Junting, et al.
Veröffentlicht: (2024)

DDA-Thinker: Decoupled Dual-Atomic Reinforcement Learning for Reasoning-Driven Image Editing
von: Yang, Hanqing, et al.
Veröffentlicht: (2026)

Training Strategies for Efficient Embodied Reasoning
von: Chen, William, et al.
Veröffentlicht: (2025)

Recurrent Reasoning with Vision-Language Models for Estimating Long-Horizon Embodied Task Progress
von: Zhang, Yuelin, et al.
Veröffentlicht: (2026)

ST-Booster: An Iterative SpatioTemporal Perception Booster for Vision-and-Language Navigation in Continuous Environments
von: Yue, Lu, et al.
Veröffentlicht: (2025)

New energy decay for a nonlinearly damped system of wave equations
von: Xiangyu Zhu, et al.
Veröffentlicht: (2024)

Progressive Scale Convolutional Network for Spatio-Temporal Downscaling of Soil Moisture: A Case Study Over the Tibetan Plateau
von: Zhou, Ziyu, et al.
Veröffentlicht: (2025)

Open-Vocabulary Spatio-Temporal Scene Graph for Robot Perception and Teleoperation Planning
von: Wang, Yi, et al.
Veröffentlicht: (2025)

EH-Benchmark Ophthalmic Hallucination Benchmark and Agent-Driven Top-Down Traceable Reasoning Workflow
von: Pan, Xiaoyu, et al.
Veröffentlicht: (2025)

SNOW: Spatio-Temporal Scene Understanding with World Knowledge for Open-World Embodied Reasoning
von: Sohn, Tin Stribor, et al.
Veröffentlicht: (2025)

3D-Mem: 3D Scene Memory for Embodied Exploration and Reasoning
von: Yang, Yuncong, et al.
Veröffentlicht: (2024)

Hierarchical Spatio-temporal Segmentation Network for Ejection Fraction Estimation in Echocardiography Videos
von: Wang, Dongfang, et al.
Veröffentlicht: (2025)

A Causality-Inspired Model for Intima-Media Thickening Assessment in Ultrasound Videos
von: Gao, Shuo, et al.
Veröffentlicht: (2025)

Research on Least‐Square η‐Hermitian Solutions of Split Quaternion Matrix Equations
von: Yang Zhang, et al.
Veröffentlicht: (2024)

Spatio-Temporal Graph Deep Learning with Stochastic Differential Equations for Uncovering Alzheimer's Disease Progression
von: Zhou, Houliang, et al.
Veröffentlicht: (2025)

Spatio-Temporal Hierarchical Causal Models
von: Li, Xintong, et al.
Veröffentlicht: (2025)

Multiplication-Free Parallelizable Spiking Neurons with Efficient Spatio-Temporal Dynamics
von: Xue, Peng, et al.
Veröffentlicht: (2025)

Octopus: Embodied Vision-Language Programmer from Environmental Feedback
von: Yang, Jingkang, et al.
Veröffentlicht: (2023)

On Large Language Models' Hallucination with Regard to Known Facts
von: Jiang, Che, et al.
Veröffentlicht: (2024)

Learning from Complexity: Exploring Dynamic Sample Pruning of Spatio-Temporal Training
von: Chen, Wei, et al.
Veröffentlicht: (2026)

Spatio-Temporal Difference Guided Motion Deblurring with the Complementary Vision Sensor
von: Meng, Yapeng, et al.
Veröffentlicht: (2026)

Leveraging Consistent Spatio-Temporal Correspondence for Robust Visual Odometry
von: Zhang, Zhaoxing, et al.
Veröffentlicht: (2024)

Vlaser: Vision-Language-Action Model with Synergistic Embodied Reasoning
von: Yang, Ganlin, et al.
Veröffentlicht: (2025)

KITS: Inductive Spatio-Temporal Kriging with Increment Training Strategy
von: Xu, Qianxiong, et al.
Veröffentlicht: (2023)