Tag · 3 篇

数据生成流水线

分布视觉语言模型2强化学习与具身智能1

MMTIT-Bench: A Multilingual and Multi-Scenario Benchmark with Cognition-Perception-Reasoning Guided Text-Image Machine Translation

为视觉语言大模型在图像内文本翻译任务上提供了多语言、多场景的评测基准，并提出将场景认知、文本感知与翻译推理统一进思维链的数据范式，可直接迁移到其他需要视觉定位与语言生成联合推理的 VLLM 任务。

InternData-A1: Pioneering High-Fidelity Synthetic Data for Pre-training Generalist Policy

提供了一套全解耦、可组合的仿真数据生成流水线，可批量产出多本体、多技能、长程操作轨迹；对做视觉-语言-动作模型的人而言，这是验证「纯合成数据预训练能否替代真机数据」的可复用数据与评测设定。

4DP-QA: Scalable QA for 4D Perception in Vision Language Models

提出 True-Motion Tracking 这一固定参考系下的跟踪表述，把相机运动与物体运动解耦，可直接用于构建视频/4D 场景的 VLM 训练数据与评测基准，缓解 VLM 只能通过 2D 投影间接观察运动的问题。