-
HuggingFace教你怎样做出SOTA视觉模型
前有OpenAI的GPT-4o，后有谷歌的系列王炸，先进的多模态大模型接连炸场。 其他从业者在震撼之余，也再次开始思考怎么追赶这些超级模型了。 刚好在这时，HuggingFace和法国索邦大学的一篇论文，总结出了构建视觉大模型的关键经验，给开发者指明了一...
-
谷歌AI提出MathWriting:整合人工书写和合成数据集等改变手写数学表达式识别
近年来，在线文本识别模型取得了显著进展，但数学表达（ME）识别作为更为复杂的任务仍未得到足够关注。 谷歌研究团队推出了 MathWriting，一个专注于在线手写数学表达的数据集，包含230k 人工编写和400k 合成样本，超越了类似 IM2LATEX-1...
-
GPT-4V只能排第二！华科大等发布多模态大模型新基准：五大任务14个模型全面测评
近期，多模态大模型（LMMs）在视觉语言任务方面展示了令人印象深刻的能力。然而，由于多模态大模型的回答具有开放性，如何准确评估多模态大模型各个方面的性能成为一个迫切需要解决的问题。 目前，一些方法采用GPT对答案进行评分，但存在着不准确和主观性的问题。另...
-
华科大发布多模态大模型新基准 覆盖五大任务
近期，华中科技大学等机构发布了一项关于多模态大模型（LMMs）的全面评估新基准，旨在解决多模态大模型性能评估的问题。这项研究涉及了14个主流多模态大模型，包括谷歌Gemini、OpenAI GPT-4V等，覆盖了五大任务、27个数据集。然而，由于多模态大模...
-
年轻人的第一个多模态大模型：1080Ti轻松运行，已开源在线可玩
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。 想将一份文档图片转换成Markdown格式？以往需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤...
-
阿里云发布多模态大模型Qwen-VL-Max版本 性能比肩GPT-4V
阿里云公布了多模态大模型的最新研究成果，继Plus版本之后，再次推出Max版本。 Qwen-VL-Max模型在视觉推理方面展现出卓越的能力，可以理解并分析复杂的图片信息，包括识人、答题、创作和写代码等任务。此外，该模型还具备视觉定位功能，可根据画面指定区域...
-
AI Art Generator Pro官网体验入口 AI创作艺术工具软件免费下载地址
AI Art Generator Pro是一款利用人工智能技术的图像创作工具，为艺术创作者提供了全新的方式。不仅可以模仿各种绘画风格，还能通过文本识别场景和对象生成高质量逼真的图像。独特之处在于，您可以轻松创建各种令人惊叹的视觉图像，无需专业的绘画技能。...
-
AI视野：阿里推ReplaceAnything框架；OpenAI取消军用禁令；Pika推视频画面扩充功能；SD推图生视频插件I2V-Adapter
欢迎来到【AI视野】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。 新鲜AI产品点击了解：https://top.aibase.com/ 👨💻💡🎯聚焦开发者 阿里推Rep...
-
佐糖免费体验入口 AI图像处理软件推荐
佐糖是一款功能强大的图像处理软件，能够满足不同用户的需求。它丰富的功能、易用的操作和优秀的性能，让它成为了图像处理领域的热门工具。佐糖的体验入口在哪呢，这里我们来看下佐糖的官方体验入口。 >>>点击前往 佐糖 官方体验入口<<...
-
Gemini vs GPT-4V到底哪家强？视觉-语言模型的全面比较和结合使用
概括 大家好，我是戚张扬，目前就读于香港大学，今天和大家分享一篇我们关于视觉语言模型最新的研究，这篇论文提供了对谷歌的Gemini和OpenAI的GPT-4V(ision 两个SOTA模型的深入定性比较研究。我们的研究涉及到对这两个模型在视觉语言能力、与...
-
ocr识别原理和场景应用浅析
Labs 导读 日常生活的截图提取、拍照搜题，都用到了文字识别领域占据重要地位的OCR（光学字符识别）技术。 Part 01、 什么是OCR OCR（光学字符识别）是计算机文字识别的一种方法，利用光学技术和计算机技术将印刷或手写在纸张等介质的文...
-
OCR终结了？旷视提出支持文档级OCR的多模态大模型，支持中英文，已开源！
想将一份文档图片转换成Markdown格式？ 以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤—— 这一次，只需一句话命令，多模态大模型Vary直接端到端输出结果： 图片 无论是中英文的大段文字： 图片 还是包含了公式的文档图片...
-
UNC斯坦福等曝光GPT-4V意外漏洞，被人类哄骗数出8个葫芦娃！LeCun和Jim Fan震惊了
GPT-4V诞生后，惊艳的多模态能力让网友惊呼连连，连OpenAI总裁Greg Brockman都不断在X上安利。 不过，最近大家发现，只要打乱布局，GPT-4V就会被曾经解决的著名计算机视觉难题——「吉娃娃还是松饼」，再次难倒…… UCSC教授Xin...
-
解锁 PaddleOCR 的超能力
光学字符识别（OCR）是一项强大的技术，使机器能够从图像或扫描文档中识别和提取文本。OCR 在各个领域都有应用，包括文件数字化、从图像中提取文本以及基于文本的数据分析。在本文中，我们将探讨如何使用 PaddleOCR，一款基于深度学习的先进OCR工具包，...
-
打败OpenAI！堪萨斯大学开发学术AI检测器 成功率高达98%
近期，堪萨斯大学的研究团队成功研发了一款学术AI检测系统，其准确率高达98%。相较于OpenAI的最新分类器，该系统在识别AI生成文本方面表现出色，为解决科学期刊中可能存在的AI生成文本的问题提供了一种高效的解决方案。研究团队的核心思路在于不追求通用性，而...