跳到正文
arXiv · 机器人与计算机视觉· Zheyu Fan, Yue Zhang, Mingkai Deng, Kangrui Wang, Qineng Wang, Canyu Chen, Jie Hao, Xing Fan, Chenlei Guo, Eric P. Xing, Mohit Bansal, Manling Li·· 2026-10-09AI 评分74

WOVEN:将视觉世界建模编织进多模态大语言模型

WOVEN: Weaving Visual World Modeling into Multimodal LLMs

AI 导读

针对多模态大语言模型在空间、具身及物理推理上的不足,作者提出 WOVEN 训练源与基准,利用视频预训练生成模型的多样化 rollout 数据,系统性地组织场景、动作与推理类型的监督信号。

来源:arXiv · 机器人与计算机视觉 · arxiv.org