Tag · 2 篇
多智能体流水线
分布 生成模型与扩散1视觉语言模型1
01 02
看见并修复缺陷：通过智能体数据合成让视觉语言模型与扩散模型理解视觉伪影
See and Fix the Flaws: Enabling VLMs and Diffusion Models to Comprehend Visual Artifacts via Agentic Data Synthesis
提出在扩散 Transformer 内做 patch 级嵌入操纵来可控注入伪影，并自动生成局部/全局解释，可直接用于构建伪影检测与修复模型的训练数据，也可作为评估生成图像真实性的诊断工具。
M^3KG-RAG：多跳多模态知识图谱增强的检索增强生成
M^3KG-RAG: Multi-hop Multimodal Knowledge Graph-enhanced Retrieval-Augmented Generation
对做多模态大模型视觉问答与视觉定位的研究者，这篇提供了可复用的思路：用多智能体流水线自动构建多跳多模态知识图谱，并用 GRASP 做实体视觉定位与相关性评估后剪枝冗余上下文，可直接迁移到视频/音视频问答的检索增强生成流程中，缓解仅靠嵌入相似度检索带来的离题噪声。