近日，Google发布了新的轻量级模型Gemini Flash。此模型具有多模态推理和高达一百万个符号的长上下文窗口。Google利用其先进的技术，使Gemini Flash在处理大量数据时保持了高效与精确。这种新型的轻量级模型将有助于...

MoonDream最新发布COYO Captions，这是一个包含500万条全新图像描述的数据库，这些描述基于COYO数据集部分图像及其替代文本。COYO数据集是一个大型的、多元化的图像数据集，它包含了各种不同的场景和对象。通过这500...

谷歌近日发布了一份新的数据集，包含了1.5万张极其详细和全面标注的图像。这个数据集的特点在于其精确度和全面性，每张图像都进行了详尽的标注，提供了丰富且精确的数据资源，为研究人员提供了强大的工具，可以用于...

Spider是一个新型的统一模型，旨在增强对上下文依赖（CD）概念的理解，如伪装物体和医疗病变等。这些概念在很大程度上依赖于视觉背景。这个模型的独特性在于，它能够理解并应对由视觉环境变化引起的复杂情况。蜘蛛模...

近日，一个全新的Mamba模型引起了工业界的广泛关注。该模型通过使用对比性语言-图像预训练(CLIP)的方式进行训练，展现出在零样本图像分类任务上的出色效率和性能。据了解，零样本分类任务一直是计算机视觉领域的一个...

Mamba模型是一种先进的方法，擅长处理长序列，而不会带来传统Transformers的计算缺点。在计算机视觉领域，Mamba模型已经取得了显著的成果，并在多个应用中展现出其优越性。相比于传统的Transformers模型，Mamba模型...

近期，科技界发起了一项名为BabyLM的挑战，旨在推动研究人员和开发者在极度有限的数据条件下，训练出性能卓越的文本和视觉模型。这一挑战的核心理念是模仿人类婴儿在成长初期所接触到的数据量，大约为1000万个token...

OpenAI最近宣布扩大其定制模型计划，通过辅助微调和定制训练模型，帮助企业客户开发适合特定使用场景的生成式AI模型。这一服务的推出，意味着企业可以根据自己的特定需求，获得更加个性化和高效的AI解决方案。生成式...

Total-Decom技术通过从多视角图像中准确分解物体，以最小的用户努力实现3D场景重建，为用户提供了简便的编辑和操控体验。这一技术的出现，标志着3D场景编辑领域的一大进步，使得非专业人士也能轻松进行3D场景的创作...

视觉语言模型（VLMs）在处理输入图像时，有时会遇到无法回答的问题。即便是最先进的VLMs，如GPT-4V，也面临这一挑战。本文提出了一个针对VLMs在面对无解问题时的基准测试，并探讨了一些可能的改进方向。研究者们通过...