標簽：多模態學習

WPS 大家經常用來日常寫作，雖然本身提供了AI功能，但可惜需要會員，本文教你三分鐘接入最火的DeepSeek，讓WPS秒變辦公神器。 DeepSeek API申請地址：http:/...

這兩年大家都在感嘆生活不易，然而我想說的是，機會還是有的，但問題不在于有沒有，而在于你是否能夠認準機會，然后抓住它。 接觸過很多咨詢項目的人，發現...

ReasonIR-8B 是 Meta AI 推出的專為推理密集型檢索任務設計的模型。基于 LLaMA3.1-8B 訓練，采用雙編碼器架構，將查詢和文檔分別編碼為嵌入向量，通過余弦相...

InternVL 是上海人工智能實驗室 OpenGVLab 推出的多模態大模型，專注于視覺與語言任務。采用 ViT-MLP-LLM 架構，通過視覺模塊（如 InternViT）和語言模塊（如...

CogView4 是智譜推出的開源文生圖模型，具有60億參數，支持原生中文輸入和中文文字生成。模型在 DPG-Bench 基準測試中綜合評分排名第一，達到開源文生圖模型...

VLM-R1 是 Om AI Lab 推出的基于強化學習技術的視覺語言模型，通過自然語言指令精確定位圖像中的目標物體，如根據描述“圖中紅色的杯子”找到對應的圖像區域。...

ImageRAG 是基于檢索增強生成（Retrieval-Augmented Generation, RAG）的圖像生成技術，通過動態檢索相關圖像來提升文本到圖像（T2I）模型生成罕見或未見概念...

LLaVA-Rad是微軟研究院推出的小型多模態模型，專注于臨床放射學報告生成。是LLaVA-Med項目的分支，特別是胸部X光（CXR）成像。基于LLaVA-Med的基礎架構和訓練...

首個具身4D世界模型EnerVerse

CogView-3-Flash 是智譜推出的首個免費AI圖像生成模型，能根據文本描述生成高審美分數的圖像，支持多種分辨率，滿足專業領域需求。模型具備創意多樣性，基于...

MiniRAG是香港大學推出的新型檢索增強型生成（RAG）系統，專為在資源受限的場景下高效部署小型語言模型（SLMs）設計。MiniRAG基于兩個關鍵技術實現這一目標：...

學習了！

第四屆全球自動駕駛峰會1月14日在北京舉辦～

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...