#MLLM

Дослідники з Apple пропонують Ferret-UI: Нову MLLM, що значно покращує розуміння та взаємодію з мобільними інтерфейсами

Дослідники Apple представили Ferret-UI, нову модель штучного інтелекту, яка значно покращує розуміння та взаємодію з мобільними інтерфейсами.

Чи може Gemini від Google конкурувати з GPT-4V від OpenAI у візуальному розумінні?

GPT-4V від OpenAI є однією з найпопулярніших MLLM. Вона демонструє чудові результати в різних тестах, включаючи візуальне розуміння. Однак нещодавній випуск Gemini від Google представляє нову конкуренцію.

Веб-взаємодія з мультимодальною великою мовною моделлю, такою як GPT4

Оскільки штучний інтелект продовжує своє повсюдне розповсюдження, впливаючи на різні аспекти нашого життя, постійні дослідження спрямовані на підвищення його практичності та зручності.

Новітнє покоління мультимодальних мовних моделей для розширеного розуміння та опису зображень

Включення просторових знань у моделі є значним викликом у навчанні мови технічного зору, що включає дві основні можливості: референціювання та заземлення. У той час як обґрунтування передбачає локалізацію просторових об'єктів на основі наданих семантичних описів, прив'язка вимагає всебічного розуміння семантики зазначених просторових об'єктів.

Дослідники з Китаю розробили механізм корекції галюцинацій для моделей штучного інтелекту

Команда вчених з Китайського науково-технічного університету та лабораторії YouTu Lab компанії Tencent розробила інструмент, який може допомогти моделям штучного інтелекту (ШІ) уникати генерування неправдивої інформації, відомої як «галюцинації».

ChatGPT досліджує контекст посилань для мультимодального навчання

Мовні моделі трансформували спілкування між людиною та комп'ютером, генеруючи зв'язний і контекстуально релевантний текст. Великі мовні моделі (LLM), такі як ChatGPT, очолили цю революцію, опанувавши людські мовні патерни шляхом тривалого навчання на величезних наборах текстових даних.