Mingjie Zhan

CUHK MMLab

収録論文 2本 ・ フィジカルAI/ロボット学習

※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。

論文

• MultiTalk: 長時間・多人数・バイリンガル会話への全二重音声モデルの拡張
  音声対話2026/9/29

  長時間・多人数・英中バイリンガルの全二重音声対話モデルを実現するため、57.6k時間の合成データセットと実録音ベースの評価ベンチマークを構築した研究。

• SpiritSightエージェント：一目で操作する高度なGUIエージェント
  GUIエージェント2025/3/1

  視覚ベースのGUIエージェントSpiritSightを提案し、大規模GUIデータセットGUI-LasagneとUniversal Block Parsingにより要素のグラウンディング精度を向上させ、多様なGUIベンチマークで高性能を達成した。