返回首頁

標籤

vision-language model

2 篇文章

MemDreamer 用記憶拆解長影片
技術研究/6月8日

MemDreamer 用記憶拆解長影片

MemDreamer 把感知和推理拆開，用階層式圖記憶與代理式檢索，讓長影片理解能塞進很小的上下文窗口。

IPT 讓 VLM 更會想像隱藏空間
技術研究/6月3日

IPT 讓 VLM 更會想像隱藏空間

IPT 用中介感知 token 讓多模態模型學會推理看不到的空間結構，特別是在遮擋、視角切換與路徑追蹤上更準。