V
主页
Research Track 7：多模态大模型最新的一些论文
发布人
MLLM https://arxiv.org/pdf/2410.23262 EMMA: End-to-End Multimodal Model for Autonomous Driving https://arxiv.org/pdf/2410.21276 GPT-4o system card https://arxiv.org/pdf/2410.20482 What Factors Affect Multi-Modal In-Context Learning? An In-Depth Exploration LoRA https://arxiv.org/pdf/2410.23775 In-Context LoRA for Diffusion Transformers https://arxiv.org/pdf/2410.19694 Less is More: Extreme Gradient Boost Rank-1 Adaption for Efficient Finetuning of LLMs https://arxiv.org/pdf/2410.20777 KD-LoRA: A Hybrid Approach to Efficient Fine-Tuning with LoRA and Knowledge Distillation Generation https://arxiv.org/pdf/2410.19310 Flow Generator Matching https://arxiv.org/pdf/2410.23277 SlowFast-VGen: Slow-Fast Learning for Action-Driven Long Video Generation https://arxiv.org/pdf/2410.20280 MarDini: Masked Autoregressive Diffusion for Video Generation at Scale Benchmark https://openai.com/index/introducing-simpleqa/ https://cdn.openai.com/papers/simpleqa.pdf Measuring short-form factuality in large language models Reasoning O1 Replication Journey: A Strategic Progress Report – Part 1 https://arxiv.org/pdf/2410.18982 Survey https://arxiv.org/pdf/2410.20011 A Survey of Small Language Models https://arxiv.org/pdf/2410.19884 A Survey of AI-Generated Video Evaluation https://arxiv.org/pdf/2410.21169 Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction https://arxiv.org/pdf/2410.19878 Parameter-Efficient Fine-Tuning in Large Models: A Survey of Methodologies https://arxiv.org/pdf/2410.22217 Towards Unifying Understanding and Generation in the Era of Vision Foundation Models: A Survey from the Autoregression Perspective
打开封面
下载高清视频
观看高清视频
视频下载器
mono-internvl：一体化的多模态大模型
【NeurIPS2024 Oral】VAR：使用next scale prediction，基于自回归架构的图片生成模型
英伟达发布MM-Embed：融合文本和图像的跨模态信息检索新模型
Ferret-UI 2：拥有跨平台UI理解的多模态大模型
Janus：基于分离视觉编码器的统一理解与生成的多模态大模型
Qwen2-VL：支持任意精度图片以及视频输入的开源大模型系列
OMG-LLaVA：拥有segmentation能力的视觉多模态大模型
Aria：基于MoE架构的原生多模态大模型
Allegro：开源的SOTA视频生成模型
Emu3：统一理解和生成的多模态大模型
BLIP3: 抛弃Q-former的BLIP
phi-3.5：微软大模型系列
CogVLM2：智谱AI新一代多模态大模型系列
MLLM多模态大模型三大奠基模型：VIT/CLIP/BLIP模型原理详解+项目实战，通俗易懂的大模型入门教程！
transfusion：统一transformer和diffusion框架的多模态大模型
LongLLaVA:基于Jamba的多图理解多模态大模型
Research Track 5：多模态大模型最新的一些论文
OLMoE：基于MoE的全开源大模型
mini-Gemini：支持高精度图片输入的多模态大模型
今年的智驾只有一个声音：端到端+大模型
多模态大模型综述: 数据、训练任务、架构分类、大模型实战训练
LLaMA-omni：低延时的语言交互多模态大模型
SHOW-o：统一理解和生成任务的transformer
UnifiedMLLM：多任务多模态大模型
国内首门多模态大模型与自动驾驶实战课程到底讲了啥
【多模态+知识图谱】博士轻松带你从零构建知识图谱！基于知识图谱的六大项目实战—医药问答系统、知识抽取、推荐系统、Neo4j数据库、大模型
如果能重来，我要选Ai
【你知道吗？】Cursor如何索引你的代码库文件?
ChartMoE：使用MoE adapter的Chart理解多模态大模型
【强推！】B站最全！科大讯飞终于把【多模态大模型】给讲通透了！CLIP、blip、blip2三种模型原理一次性学透！全程干货分享无废话！
VITA: 开源版GPT-4o实现
Research Track 6：多模态大模型最新的一些论文
llava-onevision：llava系列集大成者
【共享LLM前沿】假如我从11月1号开始学大模型！9小时学会搭建对话机器人办公助手、大模型预训练微调、四大多模态大模型！
Fluid：使用连续token表示，随机顺序生成的自回归文生图模型
还得是知网，开题报告信手拈来
Cambrian-1：以视觉为中心，基于多个vision encoder的多模态大模型
Research Track 2: 多模态大模型最新的一些论文
AVG-LLaVA：自适应尺度视觉特征选择的多模态大模型
GameNGen：使用diffusion model做的游戏引擎
