标签：多模态学习

这两年大家都在感叹生活不易，然而我想说的是，机会还是有的，但问题不在于有没有，而在于你是否能够认准机会，然后抓住它。 接触过很多咨询项目的人，发现...

CogView-3-Flash 是智谱推出的首个免费AI图像生成模型，能根据文本描述生成高审美分数的图像，支持多种分辨率，满足专业领域需求。模型具备创意多样性，基于...

MiniRAG是香港大学推出的新型检索增强型生成（RAG）系统，专为在资源受限的场景下高效部署小型语言模型（SLMs）设计。MiniRAG基于两个关键技术实现这一目标：...

学习了！

第四届全球自动驾驶峰会1月14日在北京举办～

FlexRAG 是创新的检索增强生成（RAG）框架，旨在解决传统 RAG 系统在处理长上下文时面临的计算成本高和生成质量不足的问题。通过将检索到的上下文信息压缩成...

视频扩散模型（Video Diffusion Models, VDM）是一种结合了变分自编码器（VAE）和扩散模型优势的生成模型。VDM的核心思想是在潜在空间中进行扩散过程，而不是...

原标题：田渊栋：2024年年终总结 文章来源：新智元 内容字数：7452字田渊栋2024年AI研究总结及2025年展望 本文总结了田渊栋博士2024年在人工智能领域的研究...

VideoVAE+（VideoVAE Plus）是香港科技大学团队推出的先进的跨模态视频变分自编码器（Video VAE），通过引入新的时空分离压缩机制和文本指导，实现了对大幅运...

视觉语言模型（Vision-Language Models, VLMs）是一种多模态人工智能系统，它结合了图像和文本的处理能力，以执行高级视觉语言任务，如视觉问答（Visual Ques...

原标题：行人、车辆、动物等ReID最新综述！武大等全面总结Transformer方法 | IJCV 2024 文章来源：新智元 内容字数：7928字Transformer在目标重识别 (Re-ID) ...

原标题：Llama2024年度要点总结 文章来源：人工智能学家 内容字数：7315字2024年Llama项目进展概述 随着2024年的结束，Llama项目在全球范围内取得了显著的进...

原标题：DeepSeek 怒抢视觉对话王座！DeepSeek-VL2 发布即开源，技术全公开 文章来源：夕小瑶科技说 内容字数：6315字DeepSeek-VL2：国内大模型领域的“拼多多...

通过VLM范式解决OCR任务的工作~

探索不同的对齐方法对MLLMs性能的影响~

该方法在解决问题的每一步都始终保持着较高的推理质量。