Tag · 2 篇

多模态大语言模型微调

分布视觉语言模型13D 视觉与重建1

VinQA: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA

提出将文档页面中的视觉元素（表格、图表、照片等）与文本交错生成长篇答案的任务，并系统比较了整页编码与模态编码两种视觉元素输入方式，为多模态文档理解与生成提供了可复用的数据构建、编码方案和评测框架（M-GroSE、Visual Source F1）。

MotionMaster: Generalizable Text-Driven Motion Generation and Editing

把预训练多模态大语言模型微调成文本到人体运动（3D 骨骼序列）的生成与编辑模型，并用 FSQ 分词器把运动离散成 token 与语言共享嵌入空间；对做 3D 人体动作/动画的研究者，这是一条可直接复用的「LLM 当运动先验 + 离散运动 token」路线。