多模态与大语言模型论文清单：研究者的每日 arXiv 阅读追踪

本文介绍Yangyi-Chen维护的开源GitHub仓库Multimodal-AND-Large-Language-Models，旨在解决AI领域论文爆炸带来的阅读困境，通过记录个人每日arXiv阅读轨迹，系统追踪多模态与大语言模型交叉领域的前沿研究。核心价值在于其个人化、实时性特点，为研究者、工程师及初学者提供高效的文献筛选与学习参考。

人工智能领域论文增长迅速，arXiv的cs.CL和cs.CV板块每日新增超百篇论文。传统文献管理方式（谷歌学术提醒、邮件订阅、零散收藏）难以应对信息洪流，研究者亟需系统化工具组织阅读 workflow。

Yangyi-Chen的仓库是开源GitHub项目，记录作者每日在arXiv上阅读的多模态与LLM交叉领域论文。与一般综述不同，它是真实研究者的阅读轨迹，体现论文筛选偏好、关注焦点的时间演变，具有个人化、实时性的独特性。

仓库覆盖四大核心方向：

1. 视觉-语言预训练模型：CLIP、ALIGN等经典工作及对齐、对比学习等技术；
2. 多模态大语言模型：VisualBERT、ViLBERT到Flamingo、BLIP-2、LLaVA等，含视觉-语言对接、指令微调等；
3. 跨模态理解与生成：图像-文本双向生成、扩散模型应用、跨模态推理；
4. LLM的多模态扩展：外部工具调用（如GPT-4V）、视觉模块嵌入、多模态提示工程。

组织方式：按主题分类（模型架构、训练方法等）、时间顺序记录（保留时序发展）、简洁元数据（标题、作者、链接、短笔记）。 适用人群：

• 研究者：快速了解领域现状，获取筛选后的论文入口；
• 工业界工程师：把握技术趋势，评估实用化方向；
• 初学者：学习文献筛选与组织方法，作为阅读起点。 使用建议：定期浏览更新发现论文、观察结构演变了解领域脉络、作为讨论基础。

仓库存在个人偏好（反映作者兴趣，部分子领域可能被忽略）、时效性滞后（需结合arXiv每日更新、学术社交平台）、深度有限（单篇介绍简短，需查阅原文）等局限。建议将其作为参考而非权威指南，结合其他资源使用。

个人文献管理启发：建立筛选机制、公开分享获反馈、保持轻量易维护、定期回顾更新知识结构。 领域未来趋势：统一多模态架构、高效训练方法、长上下文跨模态推理、研究原型向产品转化加速。 总结：该仓库是应对信息过载的实用策略，为研究者提供文献资源与学习方法示范，助力提升知识管理能力。