VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction
之前vita是做得比较早的4o类工作，最近更新了1.5版本
AgentRefine: Enhancing Agent Generalization through Refinement Tuning
之前有篇工作叫Agent-FLAN，把几个Agent数据集merge在一起做sft。这篇工作推广成了AgentRefine主要瞄准错误纠正，作者设计了一套框架来合成reflection数据，对比AgentFLAN涨点不少
