视觉定位先行，多模态上下文学习紧随其后
英文标题：Visual Grounding First, Multimodal In-context Learning Follows
大语言模型（LLM）已展现出强大的上下文学习（ICL）能力，但将其有效扩展至多模态大语言模型（MLLM）仍是当前研究的难点。以往的多模态 ICL 方案大多依赖特定任务数据集进行额外微调训练或任务向量提取，具有一定的泛化与扩展局限。该论文提出将视觉定位（Visual Grounding）作为先导来激发多模态上下文学习能力。该思路为开发者降低多模态少样本学习对专门微调数据的依赖、改进 MLLM 提示工程架构提供了新的方向。
打开原文相关 4.8 · 机会 0
2.0 KB
483 B
612 B
380 B
24.2 KB
34.7 KB
中文
arXiv 编号：arXiv:2610.30592v1
公告类型：新论文公告（new）
摘要
大语言模型（LLM）已展现出强大的上下文学习（In-Context Learning, ICL）能力，但将其拓展至多模态大语言模型（MLLM）仍是一项艰巨挑战。以往的多模态 ICL 方法通常依赖特定于 ICL 的数据集来进行额外训练或任务向量提取，这可能会……
BibTeX 引用格式
English / 原文
BibTeX formatted citation
×