多模态语言模型（multimodal language models）的发展正日益成熟。最近，一种名为State of Mark prompting的方法在GitHub Repo上引起了广泛关注。该方法首先使用Segment Anything算法对图像进行处理，对检测到的类别...

尽管OpenAI在防止其GPT-4视觉模型破解CAPTCHAS以及基于年龄和种族估计人的年龄方面已经取得了一定的进步，但它仍然有时难以进行推理，并且仍然容易产生幻觉。这些问题暴露出，尽管我们在人工智能的发展和应用上取得...

对预训练的视觉模型进行特定任务的微调，通常需要大量额外的计算能力。然而，研究人员已经提出了一种名为“显著通道调整”（SCT）的方法，这种方法可以智能地选择模型中需要微调的部分，使用的额外设置要远少于其他方...

在持续推动成为AI领域的开源贡献者的过程中，Meta公司近日公布了他们的DINO v2模型，并采用了更为宽松的许可证，允许社区在其基础上进行构建。此外，他们还发布了一个数据集，有助于确定并对各种计算机视觉模型中的...

该项目引入了一种搜索图像的方法，该图像看起来像给定的图片，但是在标题中描述了变化。它使用了增加了特殊技巧的CLIP模型。该方法在FashionIQ和CIRR等流行的图像搜索数据集上表现更好。CLIP模型是一个多模态视觉模...

Roboflow推理是一种在最先进的计算机视觉模型上运行推理的工具。它可以在各种设备和环境上部署，无需机器学习的先验知识。Roboflow推理支持目标检测、分类、实例分割模型以及基础模型。有一个展示Roboflow推理在足球...

RLIPv1是一种帮助计算机将图像与描述性词语相连接的方法，但是它存在一些问题，尤其是运行缓慢和数据缺乏。这篇新的论文介绍了RLIPv2，这是一个更快速的版本，它使用了一种新的工具ALIF来更好地融合图像和词语。同时...

强化学习可能是当前对齐大型语言模型（甚至视觉模型）最好的工具。然而，当你需要大量的人类数据来训练一个奖励模型时，这就成为了一项挑战。如果你可以只使用“提示”呢？这是RLCF（强化学习计算框架）趋势的又一绝佳...

Scenic是一个以注意力为核心的计算机视觉研究代码库。

TIMM中有许多顶级计算机视觉模型，但在处理生产系统时，通常需要更多。OpenMMlab提供了一套高质量的系统，用于各种视觉任务，如姿态和分割。