麻省理工学院和IBM的研究人员发表了一篇名为《超越AI接触：哪些任务具有计算机视觉自动化的成本效益？》的工作论文，探讨了自动化基于视觉的任务的经济可行性。该论文发现，仅有23％的任务适合自动化。与更具破坏性...

ChatDB发布了一系列名为NaturalSQL的模型，这些模型在Text-to-SQL指令上表现出最新的性能。NaturalSQL是一个基于自然语言处理的SQL查询生成器，能够将自然语言指令转化为SQL查询语句。这个开源项目已经在GitHub上开...

一些人正在努力构建一个开源版本的Rabbit硬件，包括语言建模部分。

CapHuman是一个框架，可以通过仅一张参考照片生成人物的多种表情和头部姿态。它巧妙地保持了人物的身份特征，让照片生成的多种人像看起来像是来自同一人。CapHuman使用的是神经网络技术，可以从单张照片中提取出关键...

Kahneman-Tversky Optimization（KTO）是一种新的方法，用于训练AI模型以更好地与人类思维对齐。通过利用Kahneman＆Tversky的前景理论概念，KTO侧重于最大化效用而不仅仅是偏好可能性。这种新的方法可以帮助AI模型更...

本篇论文揭示了大型视觉语言模型（LVLMs）为什么有时会错误地描述图像的原因，这种现象被称为多模态幻觉。语义转移偏差，特别是在段落中断处，是一个关键因素。研究人员发现，模型可能会出现误导性的预测，这些预测...

视频合成一直以来都很难被控制。但是，这项研究提出了使用方框和箭头来引导生成过程，从而改善人类的偏好判断。虽然这种方法仍无法给用户提供完美的指导，但是它是一种新的尝试和探索。Boximator技术的优点在于，它...

Qwen 1.5模型发布，参数从0.5B到72B，是一套令人印象深刻的多语言模型。有趣的是，最小的模型是第一个严肃的小于10亿参数的语言模型。