像GPT-4V这样的视觉-语言模型在理解和与图像和文本交互方面正在快速发展。然而，最近的一项研究揭示了它们在视觉推理上的重大限制。研究人员使用复杂的视觉难题，如智商测试中的难题，来测试这些模型，并发现它们在...

CogCoM是一种全新的通用视觉语言模型，它具有独特的操作链机制。这使得它能够通过主动调整输入图像来处理多轮视觉推理。该模型已经在GitHub上发布。

一项新的研究通过解决图像编辑中存在的挑战，例如不明确的指令和识别需要修改的图像部分，大幅提高了使用自然语言指令编辑图像的效率。该研究使用了深度学习和自然语言处理技术，将自然语言指令转换为可执行的图像编...

Cola是一个使用大型语言模型来协调各种视觉语言模型（VLM）以改进视觉推理的系统。该代码库已经在GitHub上发布。