机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

机器之心数据服务已上线，提供高效稳定的数据获取，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

CVPR2025提出的Video-Bench框架通过模拟人类认知，评估AI生成视频的质量与美学，解决了视频与文本对齐的问题。该框架采用链式查询和少样本评分技术，显著提高了评估准确性，超越了传统方法。

本研究提出了一种“基于确定性的自适应推理”（CAR）框架，旨在提高大型语言模型（LLMs）和多模态大型语言模型（MLLMs）的推理效率。CAR通过动态调整简短回答与长形式推理，提升了简单任务的性能，并在多模态基准测试中展现了更好的准确性和效率平衡。

本研究提出了一种新的知识解耦协同学习方法（KDSL），有效解决电子商务中少样本多模态对话意图识别的干扰问题。在淘宝数据集上，该方法的F1分数提升了6.37%和6.28%，验证了其有效性。

本研究提出了一种集体蒙特卡罗树搜索（CoMCTS）方法，以提高多模型大语言模型（MLLM）的推理效率。实验结果显示，基于CoMCTS训练的Mulberry模型在基准任务中表现优异，具有良好的应用前景。

本研究提出了新模型CCExpert，结合差异感知集成模块与高质量数据集CC-Foundation，显著提升了遥感图像变化检测的性能，展现出巨大潜力。

本文介绍了一种新型计算机辅助设计生成系统CAD-MLLM，能够根据文本、图像和点云等多模态输入生成CAD模型。研究表明，CAD-MLLM在模型质量和鲁棒性方面优于现有方法，具有重要的应用价值。

本文提出了一种基于Transformer的联合注意力估计方法，通过引入上下文线索和模拟属性之间的相互作用，编码低维特征。通过预测像素级联合注意力的置信度热力图，改善了热力图准确性，并结合图像的普通注意力估计进一步提高了联合注意力估计。在定量实验中表现更好。

UltraPixel是一种新型架构，通过级联扩散模型生成多个分辨率的图像，保持计算效率。利用低分辨率图像的语义丰富表示引导高分辨率图像生成，降低复杂性。通过减少数据需求实现快速训练，生成高分辨率图像，并展现出卓越性能。

本研究介绍了E5-V框架，通过调整多模态大型语言模型实现多模态嵌入表征，有效地弥合了不同类型输入之间的模态差距，展现出强大性能。实验证明E5-V在多项任务上的有效性，同时降低了训练成本。

面部情感行为分析对于理解人类心理状态很重要。研究者引入了两个FABA任务的数据集和基准，以及一个新的MLLM“EmoLA”。实验结果显示，加入面部先验专家模块和低秩适应模块可以提高性能。EmoLA在FABA-Bench上表现最好，在常用的FABA数据集上与最先进模型竞争力强。

该论文介绍了RAVEN，一个多任务的检索增强视觉语言模型框架，通过任务特定微调，在图像字幕和VQA任务中表现出有效的检索能力。实验结果表明，该模型在MSCOCO上提高了1个CIDEr，在NoCaps上提高了4个CIDEr，在特定的VQA问题类型上提高了近3%的准确率。将RAG方法应用于视觉语言模型是有效的，标志着多模态学习迈向更高效和可访问的方向。