Tag: Multimodal LLM

All the papers with the tag "Multimodal LLM".

• EchoInk-R1: Exploring Audio-Visual Reasoning in Multimodal LLMs via Reinforcement Learning

  grok-3-latest

  Score: 0.60

  Published:2025年5月7日 at  at 17:59

  #Multimodal LLM, #Reinforcement Learning, #Audio-Visual Reasoning, #Cross-Modal Integration

  本文提出 EchoInk-R1 框架，通过 Group Relative Policy Optimization 强化学习显著提升多模态大语言模型在音频-视觉推理任务上的性能，首次实现音频、视觉和文本模态的统一开放世界推理。

• Rethinking Visual Layer Selection in Multimodal LLMs

  grok-3-latest

  Score: 0.87

  Published:2025年5月1日 at  at 15:51

  #Multimodal LLM, #Visual Encoder, #Feature Fusion, #Layer Selection, #Task Performance

  本文通过层级表示相似性分析系统研究 CLIP-ViT 视觉层级特征差异，并提出轻量级融合策略，显著提升多模态大语言模型在多样化任务上的性能。