标签
该论文提出了教程式智能体学习（Tutorial Agentic Learning，TAL），这是一种非参数持续学习范式，通过构建结构化的教程书记忆和与推理关联的目录检索机制，使大语言模型智能体能够从教学视频中学习。此外，论文还提出了国际象棋视频问答基准 VidLearn，TAL 在该基准上的表现显著优于原生多模态大语言模型（MLLM）。
EDMA提出了一种基于逻辑熵的多模态问答方法，将答题过程形式化为熵减迭代，并量化各模态对答案的贡献，在多个MMQA基准上显著优于Chain-of-Thought等基线。
DeAR是一个分散式代理推理框架，通过能力锚定与协作思维导航，在知识密集型推理任务中提升准确性，在多模态基准测试上优于集中式方法。
本文提出Trident方法，通过结构化的多维度页面标注，增强长文档视觉问答中的重排与综合环节，从而提升证据选择与答案生成的准确性。
CLIR-Bench是一个针对不规则采样临床时间序列的多模态问答基准，基于ICU记录构建，包含跨越11个临床变量的6,600个问答实例。它揭示了现有通用模型在处理稀疏时间证据方面的困难，突显了开发更强的不规则时间序列推理方法的必要性。
PhysBrain 1.0 是一份技术报告，提出了一种利用人类自我中心视频为视觉-语言-动作模型生成物理常识监督的方法，在ERQA、PhysBench、SimplerEnv-WidowX、LIBERO和RoboCasa等具身控制基准上取得了最先进的结果。