微软学者整理了100页图文多模态预训练综述，涉及各种多模态模型和应用，并且附带视频教程，需要的同学快来领取！
发布人
打开封面 下载高清视频 观看高清视频 视频下载器
...
斯坦福大学AI博士，揭秘最新多模态AI - 杨俊睿 Jackie，MAUI
...
幻方发布超强多模态LLM DeepSeek-VL！支持代码，文档OCR等！
...
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！
...
GPT4o-mini：为什么模型越做越小
...
上交学者提出了一种利用Diffusion模型生合成语义分割数据集，并基于此训练了一个开放词汇分割的模型，效果惊艳！
...
基于Diffusion模型的以文生图综述来了！包含145篇相关论文，涉及Diffusion相关理论和基础介绍！
...
精选【人工智能课程】大模型时代 如何学习人工智能?零基础学习教程！人工智能学习路线 人工智能就业方向 人工智能 大模型 多模态技术路线 人工智能项目开发
...
我们把ALOHA机器人和多模态大模型结合了起来，来看看效果如何？
...
Human Action Recognition综述来了，近10年160篇论文，涉及RNN和CNN类型的方法，需要的同学快来领取！
...
微软亚研提出了小模型蒸馏方法TinyMIM！MIM预训练小模型性能提升4个百分点！目前模型和代码均已开源！
...
【多模态+大模型+知识图谱】2024最好创新的研究方向！绝对是B站最全的教程，论文创新点终于解决了！——人工智能|深度学习|aigc|计算机视觉
...
黄仁勋 下一波AI是物理人工智能，它需要......来实现 ！人工智能技术
...
原来AI真的能生成高颜值美女，快来试试多模态生成模型吧！
...
鹏城实验室学者提出了一种新的视频语言多模态预训练模型SOTA-VLP，融合了空间时序建模方法，捕获细粒度特征，多项任务取得SOTA！
...
阿里多模态团队基于OFA多模态预训练模型，提出最强中文OCR模型，效果惊艳！
...
图像+音频驱动的口播视频生成！谷歌提出VLOGGER！
...
字节联合爱丁堡大学学者提出新的多模态预训练方法MUG，结合MAE和Caption生成
...
零基础创建属于自己的AI多模态智能体(agent),并且集成到自己的Web应用(网站)中,通义千问大模型,扣子(Coze)平台教程
...
开源AI项目爆火！大叔秒变少女，GitHub狂揽7.9K星 | 零度解说
...
多模态大模型的幻觉类型和产生原因！大模型微调
...
【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！
...
InternVL 多模态模型语音功能小剧透！
...
太强了！终于找到了这个逐行解读代码的网站！github标星超52.4k！----机器学习/深度学习/CV/NLP
...
解锁CLIP长文本能力！即插即用替换CLIP！上海AI Lab提出Long-CLIP！
...
字节联合爱丁堡大学提出新的视觉预训练方法MUG，取得新的SOTA！模型和代码均已开源，快来领取！
...
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！
...
膜拜大佬！2024最新的多模态模型CLIP教程，半小时讲明白CLIP模型的原理以及底层逻辑，看完就能全面了解神器CLIP！人工智能|深度学习|计算机视觉|NLP
...
NEURA 与 NVIDIA 携手重新定义机器人技术的未来！
...
动作识别最新综述来了，包含RNN，3D卷积以及Transformer等算法，涉及近300篇相关论文！
...
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！
...
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！
...
05_多模态_基于MiniCPM-V进行全参微调和lora微调
...
中科大提出All-in-One多模态预训练方法，利用统一的多模态互信息提升多模态性能，下游检测分割性能超过BEIT V3！
...
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！
...
基于Transformer的GAN网络综述来了！包含近50种GAN在图像和视频生成上的应用方法，涉及160篇论文！
...
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！
...
39页视觉问答（VQA）和视觉推理综述论文来了！涉及近30个数据集，50多种经典方法，VQA终于学会了！
...
将机器人接入大模型，使其听懂“人话”，自主决策
...
LLaVA+SEEM+GLIGEN，微软提出多模态交互原型Demo LLaVA-Interactive！
...
字节联合浙大提出新的视频语言预训练模型TemPVL，能够显著提升下游多模态视频理解任务性能！