原名为Adept的柿子科技公司，近期推出了其极其高效的8b参数模型——柿子-8B。同时，该公司也发布了推理代码。此次发布的模型和代码中包含了许多亮点，其中最引人注目的是具备70k未使用的嵌入功能，这为多模态扩展提供...

本研究公开了一个新的模型-DFER-CLIP，该模型对CLIP模型进行了改进，专门用于识别现实世界中变化的面部表情。CLIP模型是一个多模态的人工智能模型，它能够理解图像和文本之间的关系。这个新的DFER-CLIP模型，通过增...

近期的模型常常在处理复杂的视觉-语言任务上遇到困难，这主要是由于它们在理解混合的图像-文本上下文时存在限制。为了评估这些任务，研究人员引入了I4基准。结果显示，视觉提示生成器的注意力存在缺陷。为了解决这个...

该项目引入了一种搜索图像的方法，该图像看起来像给定的图片，但是在标题中描述了变化。它使用了增加了特殊技巧的CLIP模型。该方法在FashionIQ和CIRR等流行的图像搜索数据集上表现更好。CLIP模型是一个多模态视觉模...

Meta近日发布了全新的多语言、多模态人工智能翻译模型SeamlessM4T。该模型支持近100种输入语言和35种输出语言的翻译。SeamlessM4T的推出，意味着人工智能技术在语言处理和跨语言通讯方面迈出了重要的一步。这款模型...

SeamlessM4T是一种多模态AI模型，可进行语音和文本翻译。它可以为100种语言进行文本到语音、语音到文本、语音到语音和文本到文本的翻译。Meta开发了这个模型，旨在帮助说不同语言的人们更有效地进行交流。SeamlessM4...

出色的研究员Chip Huyen提出了LLM（语言模型）研究中的十大开放性挑战。首先，幻觉和上下文长度问题在当前讨论中频繁出现。然而，最有趣的可能是多模态、架构改进，以及对GPU的替代方案。目前，有许多聪明的研究人员...

MM-Vet是一种新的工具，用于测试大型语言模型(LLMs)处理涉及图像和文字的任务的能力，例如从照片中解决数学问题或解释图片中的笑话。这种工具的出现，为我们提供了一个全新的角度去评估和理解LLMs在图像和文字处理方...