Tag · 2 篇
下一词元预测
分布 生成模型与扩散1视觉语言模型1
01 02
Mirai：自回归视觉生成需要前瞻
Mirai: Autoregressive Visual Generation Needs Foresight
把「未来词元」的监督信号（显式多步未来表征或匹配的双向表征）注入自回归训练，无需改架构、无额外推理开销，可直接套用到 LlamaGen、VAR 类图像生成模型的训练流程中以加速收敛并降低 FID。
LocateAnything3D：基于视线链的视觉语言 3D 检测
LocateAnything3D: Vision-Language 3D Detection with Chain-of-Sight
将 3D 检测转化为 VLM 的下一词元预测问题，通过显式的 Chain-of-Sight 序列（先 2D 检测再 3D 框）实现开放词表多目标 3D 检测，为视觉研究提供了一种无需专用检测头的统一 VLM 接口。