標簽：視覺

智猩猩，由智東西公開課升級而來，定位硬科技講解與服務平臺，提供講座、線上閉門會、公開課、在線研討會、峰會等線上線下產品。 「線上閉門會」由智猩猩全新...

機器之心專欄 機器之心編輯部Vista-LLaMA 在處理長視頻內容方面的顯著優勢，為視頻分析領域帶來了新的解決框架。近年來，大型語言模型如 GPT、GLM 和 LLaMA ...

陳厚倫 投稿量子位 | 公眾號 QbitAI只需一句話描述，就能在一大段視頻中定位到對應片段！ 比如描述“一個人一邊下樓梯一邊喝水”，通過視頻畫面和腳步聲的匹配...

新智元報道編輯：Aeneas 【新智元導讀】GPT-4V的開源替代方案來了！極低成本，性能卻類似，清華、浙大等中國頂尖學府，為我們提供了性能優異的GPT-4V開源平替...

機器之心報道 機器之心編輯部大模型涌向移動端的浪潮愈演愈烈，終于有人把多模態大模型也搬到了移動端上。近日，美團、浙大等推出了能夠在移動端部署的多模態...

作者 | 凌敏 近日，清華 KEG 實驗室與智譜 AI 聯合推出了視覺 GUI Agent——CogAgent，CogAgent 是一個通用的視覺理解大模型，具備視覺問答、視覺定位（Ground...

論文鏈接： https://arxiv.org/abs/2312.14238開源代碼： https://github.com/OpenGVLab/InternVL01引言大型語言模型（LLMs）在開放世界語言任務中展現出令人...

新智元報道來源：Web3天空之城 編輯：好困 【新智元導讀】《The Worlds I See》是李飛飛的第一人稱敘述，它從內部記錄了這個世紀的關鍵時刻，清晰并激動人心...

2023 年 12 月 6 日，谷歌發布了最新一代的通用人工智能大模型 Gemini，并報告在多項測試中取得了最先進的結果，甚至在 MMLU 測試中首次取得了超過人類專家的...

國科大&曠視團隊 投稿量子位 | 公眾號 QbitAI想將一份文檔圖片轉換成Markdown格式？ 以往這一任務需要文本識別、布局檢測和排序、公式表格處理、文本清洗...

機器之心專欄 機器之心編輯部OpenAI GPT-4V 和 Google Gemini 都展現了非常強的多模態理解能力，推動了多模態大模型（MLLM）快速發展，MLLM 成為了現在業界最...

夕小瑤科技說 原創作者 | 智商掉了一地、Python多模態大型語言模型（MLLM）目前主要通過數字化的方式與信息世界進行交互，涉及自然語言處理、計算機視覺和多...

happy投稿量子位 | 公眾號 QbitAI谷歌扳回一局！ 在Gemini開放API不到一周的時間，港中文等機構就完成評測，聯合發布了多達128頁的報告，結果顯示： 在37個視...

一位偉大而豐盈的靈魂離去了。▲CVPR 2009最佳論文獎獲獎論文截圖 這是中國人工智能學術界一篇具有里程碑領域的論文——2009年，世界計算機視覺頂級學術會CVPR創...

夕小瑤科技說 原創作者 | 智商掉了一地、兔子醬人類在面對簡潔的語言指令時，可以根據上下文進行一連串的操作。對于“拿一罐可樂”的指令，若可樂近在眼前，下...