LLaVA-MORE 是一项关于多模态大语言模型（Multimodal Large Language Models, MLLMs）的系统性研究，旨在评估不同语言模型和视觉骨干网络在 MLLMs 中的表现，并提供一个可复现的框架来比较这些架构。通过该研究，研...

近日，一篇发表在arXiv上的论文介绍了一种名为UniHDSA的统一关系预测方法，用于分层文档结构分析。该方法的核心创新在于通过一个单一模块同时处理多项任务，显著提高了文档结构分析的效率和准确性。UniHDSA技术的应...

近日，一项名为TRG-Net的创新技术在动作分割领域取得了突破性进展。该技术通过利用文本衍生的关系图（Text-Derived Relational Graphs）来增强动作分割的精度，特别是在空间-时间建模和监督方面表现出色。动作分割是...

Reve Image 1.0 是一款AI图像生成器，其定价策略和生成质量在市场上具有显著竞争力，甚至可能超越Midjourney和Ideogram等行业巨头。该工具以5美元提供500次生成额度，每张图像的成本仅为1美分，使得高质量图像生成变...

Roblox近日开源了其最新的AI模型Cube 3D，该模型能够通过文本提示生成3D对象，旨在提升创作效率。Cube 3D采用了先进的标记化技术，并通过授权和公开可用的数据集，以及Roblox自身的体验数据进行训练。未来，Cube 3D...

DynamicVis 是一种用于遥感动态视觉感知的基础模型，能够高效解析超大型图像，同时显著降低内存和计算需求。该模型通过先进的算法优化，使得处理大规模遥感数据变得更为经济和高效，因此在遥感技术领域具有重要的应...

近期，一项关于大语言模型（LLMs）的研究揭示了其在处理复杂提示时是否具备多跳推理能力——即连接多个知识片段的推理过程。研究发现，这种潜在的推理过程确实存在，尤其在初始步骤中表现明显。然而，模型对连接知识的...

近日，GitHub上发布了一个名为“Tokenize an Image as a Set”的开源项目，该项目提出了一种全新的图像生成框架。该框架通过集合标记化（set-based tokenization）和新型离散扩散方法（discrete diffusion method），...