-
Qwen2.5-VL：面向细粒度感知与智能体的视觉语言模型（论文精读）
《Qwen2.5-VL：面向细粒度感知与智能体的视觉语言模型》论文精读本：arXiv:2502.13923（v1）英文全文原文 + 中文全文翻译（章节层级一一对应）+ 阅读收获 + 可落地场景。方向：第三批 多模态前沿：理解、生成与世界建模。原文按 arXiv 官方 HTML 一字不落保留，仅供学习研究参考，版权归原作者所有。 -
LLaVA：视觉指令微调打通图文理解（论文精读）
《LLaVA：视觉指令微调打通图文理解》论文精读本：arXiv:2304.08485（v2）英文全文原文 + 中文全文翻译（章节层级一一对应）+ 阅读收获 + 可落地场景。方向：第四篇 多模态与生成：看懂图像、画出世界。原文按 arXiv 官方 HTML 一字不落保留，仅供学习研究参考，版权归原作者所有。 -
DiT：用 Transformer 重塑扩散模型（论文精读）
《DiT：用 Transformer 重塑扩散模型》论文精读本：arXiv:2212.09748（v2）英文全文原文 + 中文全文翻译（章节层级一一对应）+ 阅读收获 + 可落地场景。方向：第四篇 多模态与生成：看懂图像、画出世界。原文按 arXiv 官方 HTML 一字不落保留，仅供学习研究参考，版权归原作者所有。