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...

近期，一项关于视觉语言模型（Vision Language Models）的研究引起了广泛关注。该研究通过结合简单可验证奖励机制与规模化强化学习（Scaled Reinforcement Learning），显著提升了模型的性能。研究团队在论文中详细...

VARGPT是一种多模态大语言模型（MLLM），其独特之处在于将视觉理解与生成功能统一在一个自回归框架内。这一创新设计使得VARGPT能够同时处理文本和图像数据，实现更高效的跨模态信息处理。通过自回归机制，VARGPT不仅...

近日，Hugging Face Hub发布了一款名为Magma的新型基础模型，专为视觉agent任务设计，尤其在视频理解和UI导航方面表现出色。Magma模型以其易于调优的特性，为开发者提供了强大的工具，以应对复杂的多模态AI任务。该...

DeepMind近期在视觉语言模型（VLM）预训练领域取得了重大突破，将训练数据规模提升至前所未有的1000亿张图像。这一规模远超以往尝试，显著提升了模型在多样化全球任务中的表现。尽管在西方中心化任务上的性能已趋于...

近日，Qwen2.5-VL这一全新的视觉语言模型推出了配套的Cookbooks，详细展示了如何利用该模型完成多种不同的任务。Qwen2.5-VL作为一款先进的视觉语言模型，具备强大的多模态处理能力，能够同时理解图像和文本信息。此...

随着人工智能（AI）技术的不断进步，AI正在向多模态和边缘计算方向发展。这种转变不仅改变了我们对AI的使用方式，还大大提高了其在实际应用中的有效性。多模态AI是指能够处理多种形式的数据，例如文本、图像和语音，...

在这篇访谈中，我们深入探讨了David Luan的职业历程，他曾是OpenAI的早期员工、Google大型语言模型项目的领导者之一，以及Google Brain的共同领导。Luan也是Adept的创始人，该公司是AI代理领域的佼佼者。他分享了在...