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...

近期，一项关于智能体任务时长能力的研究揭示了一个新的“摩尔定律”现象：智能体能够完成的任务长度每7个月翻倍。这一发现意味着，在未来的两年内，智能体将能够完成包含多个复杂步骤、时长达到数小时的任务。这一进...

Meta 最近引入了一种新的基准测试，用于评估语言模型的推理能力和知识水平。该测试向语言模型提供一个长序列数据，并要求模型输出能够重新生成该序列并停止运行的最短程序。这一过程被称为 Kolmogorov 压缩，且在多...

微软研究院最近推出了一项名为KBLAM的创新技术，旨在为大型语言模型（LLMs）引入即插即用的外部知识。这项技术的主要亮点在于，它无需重新训练模型即可实现知识的无缝集成，从而支持在线和实时学习。KBLAM的核心优势...