跳到正文
arXiv · NLP· 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41

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

WOVEN 训练源和基准通过 36,076 个实例组织视觉过渡监督,发现 38 个前沿 MLLM(如 GPT-5.4)存在系统性缺陷,最强模型仍远低于人类水平。

来源:arXiv · NLP · arxiv.org