阿里达摩院提出了新的多边形战士模型mPLUG-2，在各种视觉，文本以及多模态任务上均取得不错的性能，超过BEIT V3和EVA！
发布人
打开封面 下载高清视频 观看高清视频 视频下载器
...
NVIDIA放大招了！在生成模型基础上提出Action-GPT：利用GPT实现任意文本生成动作！效果绝了！
...
阿里发布最强中文图文多模态模型：Chinese CLIP，基于两亿中文图文多模态数据！
...
InternVL 多模态模型语音功能小剧透！
...
腾讯提出一种新的CLIP模型，利用更加soft的跨模态对齐策略，提升CLIP在各项任务上的性能！
...
中山大学学者提出新的视觉Transfomer结构DilateFormer，减少70%计算量的同时性能更优！目前已开源！
...
最强优化器来了！谷歌提出适用于多种任务的新型优化器Lion，在多项任务上以更快的训练速度取得更好的性能！目前已开源！
...
华为诺亚提出视觉文档理解多模态预训练模型WuKong-Reader，在百万级文档数据上进行了预训练，多项下游任务效果SOTA！
...
阿里达摩院提出新的视频文本预训练框架，通过预训练，其在视频下游任务取得多项SOTA!
...
仅需0.5M！可集成任意扩散模型！字节提出灵活分辨率适配器ResAdapter！
...
最强视觉backbone网络ConvNext v2来了！Meta AI融合了视觉掩码自监督框架，提出新的新的SOTA算法！目前代码和模型已开源！
...
亚马逊学者提出Zero-Shot计数新方法！利用预训练的生成模型生成类别原型特征，然后进行patch最邻近搜索，效果远超之前方法！
...
上海交大学者提出了第一个用于医学图像诊断的多模态ChatGPT模型，在各种医学诊断任务上取得SOTA！
...
伊朗科技大学学者提出用于医学图像识别的骨干网络MedViT，融合了CNN和Transformer的结构，在多项医学图像任务取得不错效果！
...
AI生成剧烈运动视频，大翻车引起大佬热议， 到底是什么原因造成的？
...
字节提出新的多边形战士，通用基础模型X-FM，将视觉，文本和多模态的训练做到了一个阶段，在多项下游任务表现不错！
...
CLIP可以直接拿来做文本检测了！腾讯优图提出TCM结构，文本检测能力在多个数据集上均有较大提升！目前以被CVPR2023接收！
...
华为诺亚实验室提出NLIP多模态模型：仅用2900万数据性能超过BLIP和CLIP等亿级数据训练的多模态模型！
...
北京智源多模态团队提出EVA：多模态助力视觉自监督预训练，加入掩码，视觉表征学习更上一层楼！目前代码和模型已开源！
...
世界不再有长期，因为五年后的世界将大变样！人工智能
...
04_多模态_基于vLLM进行模型推理与源码讲解
...
商汤科技提出具有双层路由注意力的视觉Transformer，减少原始ViT计算量的同时性能大幅超过Swin Transformer!已被CVPR 2023接收！
...
多模态大模型的幻觉类型和产生原因！大模型微调
...
腾讯结合了MAE和CLIP，提出了新的在语言语义上进行掩码重建的预训练框架RILS，超过多种视觉预训练和多模态预训练方案！
...
NEURA 与 NVIDIA 携手重新定义机器人技术的未来！
...
斯坦福大学AI博士，揭秘最新多模态AI - 杨俊睿 Jackie，MAUI
...
国内智驾老兵百度开源BEVWorld：通过统一BEV潜在空间实现自动驾驶的多模态世界模型
...
微软多模态团队提出了新的语言增强多模态预训练大模型，可以类似BLIP2进行多模态chat，效果很惊艳！
...
MIT联合清华提出基于知识的视觉推理多模态模型IPVR，模拟人类视觉推理，取得较好效果！
...
【EMNLP2023】清华联合阿里提出了利用大型语言模型辅助多模态OOD检测的新方法！
...
幻方发布超强多模态LLM DeepSeek-VL！支持代码，文档OCR等！
...
实验室没有GPU也能做深度学习！这3种白嫖GPU算力的平台你一定要知道！
...
微软总结了视觉Transformer的分类性能，从参数量，计算量等方面对它们进了公平的对比！
...
Google的神操作又来了！这次，拍了一支奥运主题的广告，结果引发了众怒。发布没几个小时，就被骂得关闭了评论区。广告让人们思考一个问题“AI的价值是什么？”技术
...
Kaiming He团队在多模态领域提出的FLIP，结合MAE Masking Image 策略与CLIP，保证精度的同时 大幅提升训练效率！
...
统治扩散模型的U-Net结构被取代了！谷歌提出基于Transformer的可扩展扩散模型DiT！计算效率和生成效果均超越ADM和LDM！代码刚刚开源！
...
阿里联合清华提出了用于医学VQA的新方法RAMM，利用检索增强的策略在医学VQA数据集上取得新SOTA！数据集，代码即将开源！
...
微软提出了一种图像分割，视觉语言大一统模型X-Decoder！open-vocabulary语义分割效果惊艳！多项下游任务性能表现SOTA，目前代码和模型已开源
...
CVPR2023 基于掩码的视觉和语言Transformer，能够同时完成以文生图和Image Captioning两种多模态生成任务，且效果非常不错！
...
LLama3.1：Meta给了李彦宏一记耳光
...
多模态大模型 MiniCPM-V 2.6「实时视频理解」首次上端！