Gemma和Siglip最近发布了一款小型但功能强大的视觉语言模型（VLLM），该模型专为理解和生成与图像相关联的语言而设计。VLLM利用大规模的LAION和LLaVA数据集进行训练，这些数据集包含了大量的图像和相关文本信息，使...

Chain-of-Spot（CoS）技术近日提出了一种交互式推理方法，该方法大幅提升了大型视觉语言模型（LVLMs）处理和理解图像的能力。CoS通过识别图像中对于特定问题或指令的关键区域，使得LVLMs能够在不损失图像分辨率的前...

该研究主要评估了GPT-4与视觉（GPT-4V）针对来自多种来源的医学图像（如X光和CT扫描）提出的问题的回答能力。这是一项极具挑战性的任务，它需要深度的医学知识和高级的视觉理解能力。GPT-4V作为一种尖端的人工智能技...

XrayGPT是一种开创性的人工智能模型，可以以对话的方式解释胸部X射线，并回答相关问题。它将视觉理解与文本知识相结合，并通过真实放射学报告的摘要进行增强。XrayGPT为自动化X射线分析提供了新的可能性。