Cognition发布了一款名为Devin的新系统，该系统在测试AI编写代码能力的挑战性基准测试SWE-Bench上获得了14%的分数，而GPT-4则只得到了1.7%。该模型显示具有强大的上下文学习能力。

Visual Speech Recognition with Language Models（VSP-LLM）框架在视觉语音识别和翻译中引入了新的方法，通过集成LLMs来高效处理视频输入，通过去重嵌入视觉特征和使用低秩适配器进行成本效益训练。

本研究利用视觉和语言工具，提高系统识别真实与虚假面孔的能力。在当前的科技发展中，面部识别技术已经被广泛应用于众多领域，包括安全监测、社交媒体以及各类身份验证等。然而，这种技术也面临着虚假面孔的挑战，通...

DeepFakeFace (DFF) 是一个由先进技术生成的伪造名人照片的集合，旨在帮助我们更好地区分真实照片和伪造的照片。这个数据集集合了大量的伪造名人照片，这些照片的制作都运用了尖端的科技，如深度学习和人工智能等，...

研究人员创造了一个名为SpeechTokenizer的工具，该工具通过使用一种混合不同语音方面的特殊架构，帮助模型以更有效的方式理解口语。通过这种方式，它尝试解决语音模型在理解和处理口语时面临的挑战。它的创新之处在...

本研究公开了一个新的模型-DFER-CLIP，该模型对CLIP模型进行了改进，专门用于识别现实世界中变化的面部表情。CLIP模型是一个多模态的人工智能模型，它能够理解图像和文本之间的关系。这个新的DFER-CLIP模型，通过增...

在一张图片中，计算机有时会将同一对象识别为多个。现在，一个新的项目开发出一种方法，帮助计算机识别并聚焦于对象的单一完整版本。这种方法的出现，将对计算机视觉和图像理解能力的提升起到关键作用，不仅可以优化...