图形神经网络（GNN）最近是用于处理图形数据的神经网络结构。由于其受雇的邻居聚合策略，现有的GNN专注于捕获节点级别的信息并忽略高级信息。因此，现有的GNN遭受了由局部置换不变性（LPI）问题引起的代表性限制 ...

近年来，文档级的关系提取引起了很多关注。它通常被称为分类问题，可预测文档中所有实体对的关系。但是，以前的作品不加选择地以相同的方式代表内部和索内关系，使预测它们的不同模式混淆了 ...

自回归模型在各个领域都取得了巨大的成功，从大型语言模型（LLM）到大型多模式模型（LMM）和2D内容生成，更接近人工通用智能（AGI）。尽管有这些进展，但在3D对象产生和理解中采用自回归方法仍未得到探索。本文介绍了Scale AutoreSercrive 3D（SAR3D），这是一个新型框架，利用了多尺度3D矢量定量的变异自动编码器（VQVAE），以使3D对象具有有效的自动性产生和详细的理解 .. ...

我们介绍了Skywork R1V，这是一种多模式推理模型，通过有效的多模式传输方法将R1系列大型语言模型（LLM）扩展到视觉方式。 Skywork R1V利用轻巧的视觉投影仪，促进了无缝的多模式适应，而无需重新训练基础语言模型或视觉编码器。为了加强视觉文本对齐，我们提出了一种混合优化策略，将迭代监督的微调（SFT）与小组相对策略优化（GRPO）相结合，从而显着提高了交叉模式的整合效率 ...

随着大型语言模型（LLM），视觉语言模型（VLM）和其他一般基础模型的最新兴起，多模式，多任务体现的代理的潜力越来越大，只能在自然语言作为输入的情况下可以在不同的环境中运行。一个这样的应用区是使用自然语言说明的室内导航。但是，尽管最近进展了，但由于所需的空间推理和语义理解，这个问题仍然具有挑战性，尤其是在可能包含许多属于细粒类的物体的任意场景中 ...

3D场景图最近已成为一种表现力的高级图表示，将3D环境描述为分层图，其中节点代表多个抽象（例如对象，房间，建筑物）的空间概念，并且边缘代表概念之间的关系（e ...

与多模式大型语言模型（MLLM）相比，有效的多模式大型语言模型（EMLLMS）降低了模型大小和计算成本，并且经常在资源受限的设备上部署。但是，由于数据隐私问题，现有的开源EMLLM在预训练过程中很少访问特定于私有域的数据，从而使它们难以直接应用于设备特定的域，例如某些业务场景。为了解决这一弱点，本文着重于EMLLM对私人域的有效适应，特别是在两个领域：1）如何减少数据需求； 2）如何避免参数进行微 ...

3D场景图最近已成为3D环境的强大高级表示。 3D场景图将环境描述为一个分层图，其中节点在多个级别的抽象和边缘表示概念之间的关系。尽管3D场景图可以用作机器人的高级“心理模型”，但如何实时建立如此丰富的代表仍然是未知的领域 ...