標簽：視覺

高級人工智能能否解決視覺難題并進行抽象推理？

人工智能已經(jīng)學會了掌握語言、創(chuàng)作藝術(shù)，甚至在國際象棋比賽中擊敗了大師。但它能破解抽象推理的密碼嗎？這些讓人類困惑的棘手視覺謎題？研究人員正在測試人...
閱讀原文

ICML’24研討會杰出論文獎！清華AIR&商湯研究院提出全新的具身多模態(tài)表征預訓練方法 | 講座預告

近年來，以谷歌RT系列為代表的視覺-語言-控制模型（VLCM，Vision-Language-Control Model）受到廣泛關(guān)注。VLCM 智能體可以通過視覺理解環(huán)境，并執(zhí)行人類語言...
閱讀原文

擴散模型訓練方法一直錯了！謝賽寧：Representation matters

機器之心報道 編輯：Panda、小舟Representation matters. Representation matters. Representation matters.是什么讓紐約大學著名研究者謝賽寧三連呼喊「Repr...
閱讀原文

ECCV 2024 | 像ChatGPT一樣，聊就能實現(xiàn)三維場景編輯

AIxiv專欄是機器之心發(fā)布學術(shù)、技術(shù)內(nèi)容的欄目。過去數(shù)年，機器之心AIxiv專欄接收報道了2000多篇內(nèi)容，覆蓋全球各大高校與企業(yè)的頂級實驗室，有效促進了學術(shù)...
閱讀原文

為何馬斯克的“盲視”不可能超越肉眼？

大數(shù)據(jù)文摘授權(quán)轉(zhuǎn)載自追問nextquestion 我常想，假如上帝給我三天光明，我最想看什么呢？或者我將怎樣享受這份幸福呢？當我這樣想的時候，也請你想一下吧。請...
閱讀原文

OpenAI 開發(fā)者大會！實時語音功能有API了，GPT-4o支持多模態(tài)微調(diào)，上下文cache功能上線

夕小瑤科技說 原創(chuàng)作者 | 付奶茶家人們！十一假期第1天， OpenAI一年一度的開發(fā)者大會又來了惹！今年的開發(fā)者大會分成三部分分別在美國、英國、新加坡三個地...
閱讀原文

奧特曼：自認比o1聰明請舉手?到o2還這么想么?？｜OpenAI開發(fā)者日

夢晨 發(fā)自 凹非寺量子位 | 公眾號 QbitAI奧特曼：認為自己比o1更聰明的請舉手。（臺下一些人舉手）奧特曼：到了o2你們還會這么想么？（汗流浹背了） 這一幕，...
閱讀原文

從數(shù)據(jù)增強的隱藏作用出發(fā)，揭示視覺強化學習可塑性損失的獨特機制

AIxiv專欄是機器之心發(fā)布學術(shù)、技術(shù)內(nèi)容的欄目。過去數(shù)年，機器之心AIxiv專欄接收報道了2000多篇內(nèi)容，覆蓋全球各大高校與企業(yè)的頂級實驗室，有效促進了學術(shù)...
閱讀原文

長短大小樣樣精通！原始分辨率、超長視頻輸入：更靈活的全開源多模態(tài)架構(gòu)Oryx

AIxiv專欄是機器之心發(fā)布學術(shù)、技術(shù)內(nèi)容的欄目。過去數(shù)年，機器之心AIxiv專欄接收報道了2000多篇內(nèi)容，覆蓋全球各大高校與企業(yè)的頂級實驗室，有效促進了學術(shù)...
閱讀原文

從BLIP-2到Qwen2-VL，多模態(tài)大模型的技術(shù)點總結(jié)

開講預約導讀原文來自知乎，作者為jewellery，標題為《多模態(tài)大模型技術(shù)點總結(jié)》。作者對BLIP-2、InstructBLIP、LLaVA、LLaVA-1.5、MiniGPT-4、MiniGPT-v2、Q...
閱讀原文

詹姆斯·卡梅隆：那位徹底改變電影的導演，如何用 AI 續(xù)寫傳奇？

點擊上方藍字關(guān)注我們“著名導演詹姆斯·卡梅隆將加入人工智能公司Stability AI的董事會，助力該公司在生成AI與視覺特效結(jié)合的前沿探索。這一合作引發(fā)了好萊塢...
閱讀原文

英偉達開源NVLM 1.0屠榜多模態(tài)！純文本性能不降反升

新智元報道編輯：LRS 【新智元導讀】NVLM 1.0系列多模態(tài)大型語言模型在視覺語言任務上達到了與GPT-4o和其他開源模型相媲美的水平，其在純文本性能甚至超過了L...
閱讀原文

新SOTA來了：國產(chǎn)9B模型多項得分超4o-mini，中國出海電商已經(jīng)用上了

煢煢 發(fā)自 凹非寺量子位 | 公眾號 QbitAI阿里開源，又拿第一了。 這次是在多模態(tài)領(lǐng)域： 就在剛剛，阿里國際AI團隊開源多模態(tài)大模型Ovis1.6。在多模態(tài)權(quán)威綜合...
閱讀原文

MMMU華人團隊更新Pro版！多模態(tài)基準升至史詩級難度：過濾純文本問題、引入純視覺問答

新智元報道編輯：LRS 【新智元導讀】MMMU-Pro通過三步構(gòu)建過程（篩選問題、增加候選選項、引入純視覺輸入設置）更嚴格地評估模型的多模態(tài)理解能力；模型在新...
閱讀原文

阿里8B模型拿下多頁文檔理解新SOTA，324個視覺token表示一頁，縮減80%

mPLUG團隊 投稿量子位 | 公眾號 QbitAI高效多頁文檔理解，阿里通義實驗室mPLUG團隊拿下新SOTA。 最新多模態(tài)大模型mPLUG-DocOwl 2，僅以324個視覺token表示單...
閱讀原文
12345…20