Reworkd公司近日发布了一款名为Tarsier的新工具，旨在通过使用括号和ID对网页元素进行视觉标记，增强大语言模型（LLMs）的网页交互任务处理能力。Tarsier利用OCR生成的文本表示，使得没有视觉功能的LLM也能理解网页...

近日，MiniCMP-V发布了一个基于Llama 3训练的新版本。这款8B模型在多个任务上表现出色，甚至超越了许多闭源的专有模型。新版本的MiniCMP-V不仅支持30种不同的语言，还在光学字符识别（OCR）和视觉问答（visual quest...

本项目引入了一种新的基于CNN的时空注意力（CSTA）方法，用于改进视频摘要。与传统的注意力机制不同，CSTA通过使用2D CNN来捕捉帧的视觉重要性，从而更好地理解视频中的关系和关键属性。这种方法不仅能够有效提取视...

DeepSeek-VL 是一个专注于现实世界应用的全新开源视觉语言模型。该模型特别针对多样化的数据进行了优化，包括来自网页截图、图表以及 OCR（光学字符识别）数据的处理。DeepSeek-VL 的设计目标是提高在复杂和多样化数...

PSG-4D是一种全新的表示法，帮助AI理解空间和时间的四维世界。这种技术的GitHub Repo已经开源。该技术能够生成4D全景场景图，通过这种场景图，AI不仅能够理解物体的三维空间位置，还能理解物体随时间的变化。这是一...

近日，一款名为Devon的开源软件在GitHub Repo上发布。这款软件被设计为一款双人编程工具，可以帮助开发者在编程过程中进行协作。双人编程，也称为配对编程，是一种软件开发技术，其中两个程序员共享一个工作区，一起...

pg_timeseries是一个开源时间序列扩展，专为PostgreSQL数据库设计。它提供了可扩展的基于时间的数据存储和查询功能，可用于存储和处理各种类型的时间数据。该扩展提供了一些重要的功能，如数据插入和查询，时间插值...

谷歌近日发布了一款名为 'Model Explorer' 的模型探索器，该工具可以帮助用户轻松查看并审查自己的模型计算图。这项新的工具对于调试和性能工程来说相当有用。Model Explorer以GitHub Repo形式存在，用户可以方便地...