Kimi创始人杨植麟是典型的天才，学术方面才华横溢，谷歌学术他引3W+，担任中国最好的计算机学院——清华大学交叉信息研究院的助理教授，逆天开局。DeepSeek创始人梁文锋没有博士学位，独自探索量化交易，完成0-1的散户赚钱过程，以及1-100的机构创建、盈利、壮大的过程，跑通了技术、管理的全流程链路。两者都是典型的天才，DeepSeek具备自我造血能力，能够更加纯粹的探索技术，干翻openai。

实验设计了不同的因素（如面部表情标签的多样性、面部图像的裁剪等），以及不同类型的评估指标（如准确率、UAR、WAR等），以全面评估EMO-LLaMA在不同条件下的表现。➡️ 研究动机：为了增强MLLMs在面部表情理解方面的能力，研究团队提出了一种新的MLLM——EMO-LLaMA，通过结合预训练的面部分析网络中的面部先验知识，提高模型对人类面部信息的提取能力。➡️ 研究动机：研究团队发现，现有的M

📄是一个多智能体 LLM 系统，可以将论文转化为代码仓库。它遵循三阶段流水线：规划、分析和代码生成，每个阶段都由专门的智能体处理。我们的方法在 Paper2Code 和 PaperBench 上均优于强大的基线，并生成忠实、高质量的实现。

袁粒老师博士毕业于新加坡南洋理工大学，指导老师有颜水成（前昆仑万维首席科学家）、冯佳时（现字节豆包大模型视觉基础研究团队负责人），大模型人脉、资源非常不错。不仅如此，也是开源项目opensora的发起者。Chatlaw的整体流程非常复杂，需要构建图谱，多智能体协同。以图谱来说，知识图谱的构建成本很高，而且难以保证知识的实时性。然而，高成本却没有带来显著的性能提升，比较遗憾。但Chatlaw提出一种

➡️ 问题背景：多模态大语言模型（Multimodal Large Language Model, MLLM）在视觉语言任务中展现出显著的能力，但现有的通用视觉语言模型（VLM）在医疗视觉问答（Med-VQA）任务中表现不佳，尤其是在处理细微的医学图像时。为了在保持高数据质量的同时最大化数据量，研究团队提出了自适应图像-文本质量增强器（AITQE），旨在动态评估和增强图像-文本对的质量，从而在不显

➡️ 研究动机：为了弥补现有方法的不足，研究团队提出了一种新的框架CaRDiff（Caption, Rank, and generate with Diffusion），该框架通过整合多模态大语言模型（MLLM）、接地模块和扩散模型，增强了视频显著性预测的能力。为了解决这些局限性，研究团队提出了一种新的多模态代理框架，旨在适应动态的移动环境和多样化应用，通过构建灵活的动作空间和结构化的存储系统，增

➡️ 研究动机：为了解决MLLMs在处理数学图表时的不足，研究团队提出了Math-PUMA，一种基于渐进式向上多模态对齐（Progressive Upward Multimodal Alignment, PUMA）的方法，旨在通过三个阶段的训练过程增强MLLMs的数学推理能力。然而，现有的MLLMs在心脏病诊断方面表现不佳，尤其是在ECG数据分析和长文本医疗报告生成的整合上，主要原因是ECG数据分

最后，利用MLLMs的预测结果来优化视觉模型的参数，从而提高其在OOD任务中的鲁棒性。➡️ 研究动机：为了提高视觉模型在OOD场景下的鲁棒性，研究团队提出了一种新的方法——机器视觉疗法（Machine Vision Therapy, MVT），通过利用MLLMs的知识来纠正视觉模型的错误预测。➡️ 方法简介：研究团队提出了EtC（Expand then Clarify）方法，首先使用MLLMs生成

➡️ 方法简介：研究团队基于不同的预训练开源多模态大语言模型（MLLMs），如Qwen-VL、InternVL、Deepseek-VL，使用监督微调（SFT）、检索增强生成（RAG）和基于人类反馈的强化学习（RLHF）技术，将跨域知识注入MLLMs，从而构建多个小麦育种多模态大语言模型（WBLMs）。同时，小麦育种涉及生物学、遗传学、气象学和土壤科学等多个学科的交叉，专业人员在进行育种工作时需要跨

➡️ 研究动机：为了定义和评估MLLMs在低级视觉感知和理解任务中的自我意识能力，研究团队提出了QL-Bench基准测试，通过构建LLSAVisionQA数据集来模拟人类对低级视觉的反应，探讨MLLMs在低级视觉感知中的自我意识。研究发现，MLLMs中的图像令牌存在明显的冗余，这不仅增加了计算负担，还影响了模型的效率。➡️ 问题背景：多模态大语言模型（MLLMs）在视觉感知和理解方面展现了显著的能