2025年6月12日多模态大模型论文推送

主要观点总结

本文主要介绍了多篇关于语言模型、文本生成、推理模型、工作流程生成、数值精度、多模态数据、空间推理、视频问答等相关领域的论文。论文标题和简介已列出。

关键观点总结

关键观点1: 语言模型和文本生成

介绍了基于MapReduce的原生并行文本生成模型Multiverse，以及图像生成模型TransDiff等。

关键观点2: 推理模型

提出了多个推理模型，包括提高reasoning model表现的CoRT，解决DAA算法中reward generation gap的POET，以及用于自动化工作流的reasoning model ComfyUI-R1等。

关键观点3: 多模态数据和模型

介绍了多模态PRM、多模态数据集InterSyn等，涉及图像处理、视频处理和音频处理等。

关键观点4: 视频问答和物理理解

提出了用于评估视频MLLM的视频问答能力的MVP benchmark和CausalVQA，以及用于评估MLLM physics understanding能力的video benchmark IntPhys 2等。

关键观点5: 其他领域

涉及数值精度在复现LLM inference中的影响，以及GUI agent交互能力提高的RL方法等。