当前的视觉语言模型（VLM）主要通过 QA 问答形式进行性能评测，而缺乏对模型基础理解能力的评测，例如 detail image caption 性能的可靠评测手段。
对于开发者来说，编码是一个既复杂又精细的过程。如何让这个过程变得更简单、更智能？如何进一步提升开发效率？豆包 MarsCode 近日正式发布，针对这些问题给出了新的答案。
因为 AI 为自己的工作焦虑，这件事不是一天两天了。
什么？好多大模型的文科成绩超一本线，还是最卷的河南省？？？
Seed-TTS 是字节跳动豆包大模型团队近期发布的语音生成大模型成果。
参加 2024 河南高考，豆包和文心 4.0 过了一本线，但比 GPT-4o 还差点。
在生成式模型的迅速发展中，Image Tokenization 扮演着一个很重要的角色，例如Diffusion依赖的VAE或者是Transformer依赖的VQGAN。这些Tokenizers会将图像编码至一个更为紧凑的隐空间（latent space），使得生成高分辨率图像更有效率。
当前主流的视觉语言模型（VLM）主要基于大语言模型（LLM）进一步微调。因此需要通过各种方式将图像映射到 LLM 的嵌入空间，然后使用自回归方式根据图像 token 预测答案。
第一款产品——小黄蕉，来自咱们的老朋友字节跳动。 据了解，该商标注册主体与番茄小说是同一个，小黄蕉项目由徐旸带队。 很难想象字节除了豆包，又在内测这样一款 AI 虚拟陪伴产品，还取了这么个“可爱”的名字。
端午佳节，有的地方高考已经结束，有的考生还奋战在考场上。
