arXiv cs.CV· 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·· 3 小时前AI 评分37
WOVEN：将视觉世界建模融入多模态大语言模型
WOVEN: Weaving Visual World Modeling into Multimodal LLMs
AI 导读
研究者提出 WOVEN，一个按场景、动作和推理类型组织视觉转换监督的训练源与基准，包含 36,076 个样本、20 种场景、5 种动作和 8 种推理类型。对 38 个前沿 MLLM（如 GPT-5.4、Qwen3-VL-235B-A22B）的评测显示其视觉转换推理能力远低于人类。
来源：arXiv cs.CV · arxiv.org