标签：视觉

1月17日晚7点，智猩猩推出「多模态大模型线上闭门会」。本次闭门会由阿里巴巴通义实验室 NLP 高级算法专家严明参与出品，并聚焦于大语言模型工具调用 Control...

新智元报道编辑：LRS 好困 【新智元导读】STKET框架将先验时空知识纳入多头交叉注意机制中，从而可以学习到更多有代表性的视觉关系表示，在视频图生成基准上...

1月17日晚7点，智猩猩推出「多模态大模型线上闭门会」。本次闭门会由阿里巴巴通义实验室 NLP 高级算法专家严明参与出品，并聚焦于大语言模型工具调用 Control...

智猩猩，由智东西公开课升级而来，定位硬科技讲解与服务平台，提供讲座、线上闭门会、公开课、在线研讨会、峰会等线上线下产品。 「线上闭门会」由智猩猩全新...

机器之心专栏 机器之心编辑部Vista-LLaMA 在处理长视频内容方面的显著优势，为视频分析领域带来了新的解决框架。近年来，大型语言模型如 GPT、GLM 和 LLaMA ...

陈厚伦 投稿量子位 | 公众号 QbitAI只需一句话描述，就能在一大段视频中定位到对应片段！ 比如描述“一个人一边下楼梯一边喝水”，通过视频画面和脚步声的匹配...

新智元报道编辑：Aeneas 【新智元导读】GPT-4V的开源替代方案来了！极低成本，性能却类似，清华、浙大等中国顶尖学府，为我们提供了性能优异的GPT-4V开源平替...

机器之心报道 机器之心编辑部大模型涌向移动端的浪潮愈演愈烈，终于有人把多模态大模型也搬到了移动端上。近日，美团、浙大等推出了能够在移动端部署的多模态...

作者 | 凌敏 近日，清华 KEG 实验室与智谱 AI 联合推出了视觉 GUI Agent——CogAgent，CogAgent 是一个通用的视觉理解大模型，具备视觉问答、视觉定位（Ground...

论文链接： https://arxiv.org/abs/2312.14238开源代码： https://github.com/OpenGVLab/InternVL01引言大型语言模型（LLMs）在开放世界语言任务中展现出令人...

新智元报道来源：Web3天空之城 编辑：好困 【新智元导读】《The Worlds I See》是李飞飞的第一人称叙述，它从内部记录了这个世纪的关键时刻，清晰并激动人心...

2023 年 12 月 6 日，谷歌发布了最新一代的通用人工智能大模型 Gemini，并报告在多项测试中取得了最先进的结果，甚至在 MMLU 测试中首次取得了超过人类专家的...

国科大&旷视团队 投稿量子位 | 公众号 QbitAI想将一份文档图片转换成Markdown格式？ 以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗...

机器之心专栏 机器之心编辑部OpenAI GPT-4V 和 Google Gemini 都展现了非常强的多模态理解能力，推动了多模态大模型（MLLM）快速发展，MLLM 成为了现在业界最...

夕小瑶科技说 原创作者 | 智商掉了一地、Python多模态大型语言模型（MLLM）目前主要通过数字化的方式与信息世界进行交互，涉及自然语言处理、计算机视觉和多...