视觉语言模型虽然强大，但缺乏空间推理能力，最近 Google 的新论文说它的 SpatialVLM 可以做，看看他们是怎么做的。
来自主题: AI技术研报
7512 点击 2024-02-18 15:10
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
视觉语言模型虽然强大，但缺乏空间推理能力，最近 Google 的新论文说它的 SpatialVLM 可以做，看看他们是怎么做的。
一款名为Vary-toy的“年轻人的第一个多模态大模型”来了！模型大小不到2B，消费级显卡可训练，GTX1080ti 8G的老显卡轻松运行。
还在苦苦寻找开源的机器人大模型？试试RoboFlamingo！
近日，美团、浙大等推出了能够在移动端部署的多模态大模型，包含了 LLM 基座训练、SFT、VLM 全流程。也许不久的将来，每个人都能方便、快捷、低成本的拥有属于自己的大模型。
训完130亿参数通用视觉语言大模型，只需3天！北大和中山大学团队又出招了——在最新研究中，研究团队提出了一种构建统一的图片和视频表征的框架。利用这种框架，可以大大减少VLM（视觉语言大模型）在训练和推理过程中的开销。
基于LVLM幻觉频发的三个成因（物体共现、物体不确定性、物体位置），北卡教堂山、斯坦福、哥大、罗格斯等大学的研究人员提出幻觉修正器LURE，通过修改描述来降低幻觉问题。
在快速发展的人工智能领域，自然语言处理已成为研究人员和开发人员关注的焦点。近年来，在Transformer 架构和BERT 双向升级的基础上，出现了几种突破性的语言模型，突破了机器理解和生成的界限。
随着互联网规模的人工智能模型从粗糙的研究演示迅速成熟为面向用户的生产型系统，人们的期望越来越高，目标也发生了巨大变化。在短短几个月内，人工智能界已经从对概念验证的 "零敲碎打 "能力留下深刻印象，集体转向解决提高微调能力的质量和可靠性这一相对具有挑战性的 "最后一公里 "问题。