Luma首席科学家宋嘉明，作为最早为扩散模型开发加速算法的先驱，近日发布了新的多模态预训练方法——Inductive Moment Matching（IMM）。这一新方法不仅超越了传统扩散模型在样本质量上的表现，还实现了10倍以上的效率...

OWL（Optimized Workforce Learning Agent）是一个新兴的智能体框架，以其高效性和灵活性吸引了业界的广泛关注。该框架不仅在设计上体现出高度的合理性，而且在性能上也表现出色。OWL 允许开发人员通过简单的方式进...

近日，GitHub上发布了一个名为'Visual reasoning models'的开源工具包，旨在训练视觉语言模型（VLMs）以提升其基础逻辑和推理能力。该工具包由groundlight团队开发，主要专注于增强模型在处理复杂视觉数据时的理解和...

近日，GitHub上发布了一个名为REF-VLM的开源项目，该项目通过引入基于三元组的结构化表示，统一了多模态大语言模型（LLMs）中的视觉解码任务。多模态LLMs是当前人工智能领域的前沿技术，能够在处理视觉和文本信息时...

多模态表示学习（MMRL）技术通过引入一个共享的表示空间，显著提升了视觉-语言模型在处理多模态信息时的交互能力，同时保持了模型的泛化性能。这一技术不仅优化了多模态数据的融合与理解，还为小样本学习（few-shot...

近日，GitHub开源项目LM-Implicit-Reasoning引发了广泛关注。该研究深入探讨了语言模型在逐步隐式推理方面的表现，揭示了其在处理包含变量作为减数的表达式时的泛化能力不足的问题。语言模型在自然语言处理（NLP）领...

近日，TaylorSeer团队提出了一种利用泰勒级数扩展来预测扩散模型中未来时间步特征的新方法，显著减少了特征缓存中的误差。扩散模型在生成图像、声音和其他复杂数据方面表现出色，但其计算复杂度和资源消耗一直是制约...

谷歌近日发布了Gemma 3模型的权重和技术报告，这一模型共有四种规模，其性能与Gemini 1.5 Pro相当。Gemma 3不仅在多语言处理上表现出色，能够理解超过140种语言，还被认为是接近当前最先进的密集模型之一。这一发布...