近日，GitHub上发布了一个名为'Visual reasoning models'的开源工具包，旨在训练视觉语言模型（VLMs）以提升其基础逻辑和推理能力。该工具包由groundlight团队开发，主要专注于增强模型在处理复杂视觉数据时的理解和...

近日，GitHub上发布了一个名为REF-VLM的开源项目，该项目通过引入基于三元组的结构化表示，统一了多模态大语言模型（LLMs）中的视觉解码任务。多模态LLMs是当前人工智能领域的前沿技术，能够在处理视觉和文本信息时...

多模态表示学习（MMRL）技术通过引入一个共享的表示空间，显著提升了视觉-语言模型在处理多模态信息时的交互能力，同时保持了模型的泛化性能。这一技术不仅优化了多模态数据的融合与理解，还为小样本学习（few-shot...

近期，Motion Anything项目通过引入基于注意力的掩码建模（Attention-based Mask Modeling）技术，显著提升了条件运动生成的能力。这项技术不仅在空间控制上实现了更精细的调节，还在时间维度上提供了更高的灵活性，...

YoloE 是一种创新的小型视觉模型，能够通过多种方式进行提示，以实现开放词汇检测。这意味着用户可以使用类别、图像和文本来决定模型应该检测的内容。特别值得一提的是，YoloE 的运行速度高达 300 帧每秒（fps），使...

近日，一项名为MovieAgent的创新技术引起了广泛关注。该系统通过结合多种生成模态，利用基于角色的提示（persona-based prompting）来确保生成内容的一致性和准确性。MovieAgent进一步使用Stable Diffusion视频模型...

近年来，随着多模态学习的发展，构建能够同时处理视觉和语言任务的嵌入模型成为研究热点。然而，传统基于对比损失的方法在处理硬负样本时往往表现不佳，导致模型在复杂检索任务中效果受限。近期，一项研究提出了一种...

Hugging Face与Yaak合作推出了L2D数据集，这是目前最大的开源多模态数据集，专为汽车人工智能（AI）领域设计。该数据集包含了从驾驶学校收集的专家和学生驾驶策略，并通过自然语言指令增强了空间智能模型的能力。这...