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...

近日，GitHub上开源了一个名为Agent S的计算机使用系统，其强大的功能引起了广泛关注。Agent S在浏览器、桌面系统甚至移动设备任务处理方面均表现出色，达到了行业领先水平。作为一个开源项目，Agent S不仅提供了高...

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...

近日，Flat Color LoRA 模型在 Hugging Face Hub 上正式发布，这一模型的推出为 Wan 视频模型技术注入了新的活力。LoRA（Low-Rank Adaptation）技术作为一种高效的模型微调方法，能够在保持模型原有性能的同时，显著...

VideoPainter最近推出了一种创新性的双流架构，专门用于视频修复任务。该架构显著降低了学习复杂性，同时改善了背景保留和对象生成的效果。视频修复是计算机视觉领域的一个重要研究方向，旨在自动填补视频中的缺失或...

谷歌近日发布了Gemma 3模型的权重和技术报告，这一模型共有四种规模，其性能与Gemini 1.5 Pro相当。Gemma 3不仅在多语言处理上表现出色，能够理解超过140种语言，还被认为是接近当前最先进的密集模型之一。这一发布...

DeepMind近日发布了名为TIPS的新型图像-文本模型，专为密集型和全局视觉任务设计。该模型通过结合对比学习与掩码图像建模技术，并利用合成字幕进行训练，显著提升了空间感知能力。在多项基准测试中，TIPS的表现均超...

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...