FlexRAG 是創新的檢索增強生成（RAG）框架，旨在解決傳統 RAG 系統在處理長上下文時面臨的計算成本高和生成質量不足的問題。通過將檢索到的上下文信息壓縮成...

視頻擴散模型（Video Diffusion Models, VDM）是一種結合了變分自編碼器（VAE）和擴散模型優勢的生成模型。VDM的核心思想是在潛在空間中進行擴散過程，而不是...

原標題：田淵棟：2024年年終總結 文章來源：新智元 內容字數：7452字田淵棟2024年AI研究總結及2025年展望 本文總結了田淵棟博士2024年在人工智能領域的研究...

VideoVAE+（VideoVAE Plus）是香港科技大學團隊推出的先進的跨模態視頻變分自編碼器（Video VAE），通過引入新的時空分離壓縮機制和文本指導，實現了對大幅運...

視覺語言模型（Vision-Language Models, VLMs）是一種多模態人工智能系統，它結合了圖像和文本的處理能力，以執行高級視覺語言任務，如視覺問答（Visual Ques...

原標題：行人、車輛、動物等ReID最新綜述！武大等全面總結Transformer方法 | IJCV 2024 文章來源：新智元 內容字數：7928字Transformer在目標重識別 (Re-ID) ...

原標題：Llama2024年度要點總結 文章來源：人工智能學家 內容字數：7315字2024年Llama項目進展概述 隨著2024年的結束，Llama項目在全球范圍內取得了顯著的進...

原標題：DeepSeek 怒搶視覺對話王座！DeepSeek-VL2 發布即開源，技術全公開 文章來源：夕小瑤科技說 內容字數：6315字DeepSeek-VL2：國內大模型領域的“拼多多...

通過VLM范式解決OCR任務的工作~

探索不同的對齊方法對MLLMs性能的影響~

該方法在解決問題的每一步都始終保持著較高的推理質量。

SmolVLM是Hugging Face推出的輕量級視覺語言模型，專為設備端推理設計。以20億參數量，實現了高效內存占用和快速處理速度。SmolVLM提供了三個版本以滿足不同...

StableV2V是中國科技大學推出的開源視頻編輯項目，基于文本、草圖、圖片等輸入實現視頻中物體的精準編輯和替換。項目用形狀一致的編輯范式，基于三個主要組件...

RAG-Diffusion是南京大學團隊推出的區域感知文本到圖像生成方法。基于區域硬綁定和區域軟細化兩個階段，實現對圖像中各個區域的精確控制和細節優化。RAG-Diff...

支持中文。