訓練長上下文視覺語言模型：以 128K 之外的泛化能力為目標的有效訓練方案
Training Long-Context Vision-Language Models Effectively with Generalization Beyond 128K Context
arXiv
7
Teds Lin 許願
MinerU2.5-Pro：推動資料中心文件解析的規模極限
MinerU2.5-Pro Pushing the Limits of Data-Centric Document Parsing at Scale
arXiv
7
鄭子凡 許願
改進大型視覺語言模型中的模態對齊
Improved Alignment of Modalities in Large Vision Language Models
arXiv
69
kerg kerg 許願
VisionFoundry：用合成圖像教導視覺語言模型學習視覺感知
VisionFoundry Teaching VLMs Visual Perception with Synthetic Images
arXiv
85
Teds Lin 許願
dots.ocr：用單一視覺語言模型完成多語文件版面解析
dots.ocr Multilingual Document Layout Parsing in a Single Vision-Language Model
arXiv
4
鄭子凡 許願
智慧行動：在代理人式多模態模型中培養後設認知的工具使用
Act Wisely Cultivating Meta-Cognitive Tool Use in Agentic Multimodal Models
arXiv
2
Teds Lin 許願