paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
SB

Sagie Benaim

ACL 2026CVPR 2026ICLR 2026多模态强化学习与后训练推理安全
新星分资深
22
一作贡献0
核心/参与5
方向广度14
合作网络6
0 一作 · 3 篇 · ACL 2026 / CVPR 2026 / ICLR 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

3
作者位次 #2/2ICLR 2026Poster· Computer Vision / Everything Else

Splat and Distill: Augmenting Teachers with Feed-Forward 3D Reconstruction For 3D-Aware Distillation

David Shavin · Sagie Benaim

多模态强化学习与后训练OpenReview
作者位次 #3/3CVPR 2026Poster· Computer Vision & Pattern Recognition

Let it Snow! Animating 3D Gaussian Scenes with Dynamic Weather Effects via Physics-Guided Score Distillation

Gal Fiebelman · Hadar Averbuch-Elor · Sagie Benaim

多模态强化学习与后训练OpenReview 项目页
作者位次 #4/4ACL 2026Poster· Natural Language Processing

L a MI : Augmenting Large Language Models via Late Multi-Image Fusion

Guy Yariv · Idan Schwartz · Yossi Adi · Sagie Benaim

摘要

Commonsense reasoning often requires both textual and visual knowledge, yet Large Language Models (LLMs) trained solely on text lack visual grounding (e.g., “what color is an emperor penguin’s belly?”). Visual Language Models (VLMs) perform better on visually grounded tasks but face two limitatio...

多模态推理安全OpenReview 项目页

常见合作者