Llava是一种视觉语言模型，最新版本为1.6，经过改进后，其OCR、推理和世界知识等方面有了很大提升，甚至在某些任务上可以与Gemini相媲美。Llava团队计划发布数据、代码和模型，以便更多人能够使用。

排线检测是在图像或PDF中在文本行周围放置一个边界框的过程。Surya是一个非常强大的多语言排线检测模型，并已在GitHub上开源发布。该模型可以识别多种语言，包括中文、英文、法文、德文和印地文等，并且可以在不同的...

Audiocraft MusicGen是一款强大的将文本转化为音乐的人工智能模型。最新升级的版本现在支持立体声生成，通过巧妙地交叉使用左右声道进行微调，提高了整体音乐体验。虽然这一升级并没有提高基准分数，但它能够更好地...

本文研究了大型多模型GPT-4V在各种光学字符识别（OCR）任务中的表现，包括读取场景和手写文本，理解复杂的文档结构等。

微软已将OpenAI的DALL-E 3集成到Bing Chat中，为用户提供了更强大的图像生成功能。DALL-E 3承诺提高了对提示的理解，能生成更有创意和逼真的图像。此外，微软计划将DALL-E技术应用于其他产品中，例如Windows的Paint...

近年来，Microsoft的UniLM团队在自然语言处理领域取得了一些显著的成果。他们最近推出的Kosmos模型套件已经进军图像领域。这次的特定实例是用于从图像读取文本密集的文件，并为该文件生成文本或标记。这与最近Meta为...

Meta最新发布的AudioCraft，是一款满足所有生成音频需求的一站式代码库，包括音乐、音效和压缩。AudioCraft的出现，改变了过去我们需要使用多个工具和平台才能完成的音频生成任务，现在只需要这个代码库，就能轻松完...

Audiocraft推出MusicGen，这是一种简化和增强音乐生成的模型。这种单阶段的自回归Transformer模型不需要像之前的方法那样进行自监督语义表示，通过并行预测所有码本，它更高效地生成音乐，从而每秒音频的步骤更少。