-
探索多模态智能边界：Visual-Chinese-LLaMA-Alpaca 开源项目解析与应用指南
探索多模态智能边界：Visual-Chinese-LLaMA-Alpaca 开源项目解析与应用指南 在人工智能领域，多模态学习正逐渐成为研究热点，它旨在融合视觉和语言信息，构建能够理解和生成跨模态内容的智能体。Visual-Chinese-LLaMA...
-
【AIGC调研系列】全新的多模态小模型Phi-3-vision
全新的多模态小模型Phi-3-vision是微软在2024年推出的最新AI模型。Phi-3-vision是一个具有42亿参数的多模态模型，能够处理图像和文本数据，并对这些数据进行高效的推理和响应[12][13][14]。 Phi-3-vision特别适用...
-
AI日报：Luma官方亲自下场夸自家“孩子”；日本艺术家用Luma复活妻子看哭网友；苹果AI可能要放大家“鸽子”；北大快手联合推视频生成框架VideoTetris
欢迎来到【AI日报】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/ 1、Luma 官方发视频介绍Dre...
-
微软让MoE长出多个头，大幅提升专家激活率
混合专家（MoE）是个好方法，支持着现在一些非常优秀的大模型，比如谷歌家的 Gemini 1.5 以及备受关注的 Mixtral 8x7B。 稀疏混合专家（SMoE）可在不显著增加训练和推理成本的前提下提升模型的能力。比如 Mixtral 8×7B 就是...
-
史上首次，AI超越人类奥赛金牌得主！吴方法加持，30题做出27道破纪录
首位超越国际奥林匹克竞赛金牌得主的AI，刚刚诞生了！ 印度理工学院海得拉巴分校、图宾根AI中心、剑桥大学的研究者发现—— 通过「吴方法」，可以让AI变成和人类数学奥赛银牌得主同样的水平，而「AI数学大师」AlphaGeometry，则直接超越了IMO金牌...
-
科幻片成真！Figure与OpenAI合作新进展 Figure 01接入ChatGPT后成“精”了！
Figure最新展示了他们与OpenAI合作的成果，这一合作让他们的机器人获得了惊人的能力。机器人可以进行语音对话、描述周围环境、做出决策推理、执行高层次请求，并口头解释推理过程。这些功能使得机器人能够执行类似人类的快速、灵巧动作，表明这一合作取得了显著进...
-
谷歌Brad AI聊天机器人免费在线使用地址 Gemini Pro体验入口
Gemini是由谷歌DeepMind推出的全新一代人工智能系统。它引领着多模态推理的潮流，支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域均展现出卓越的能力，成为当前最强大的AI系统之一。Gemini提供三...
-
赶超Gemini Pro，提升推理、OCR能力的LLaVA-1.6太强了
去年 4 月，威斯康星大学麦迪逊分校、微软研究院和哥伦比亚大学研究者共同发布了 LLaVA（Large Language and Vision Assistant）。尽管 LLaVA 是用一个小的多模态指令数据集训练的，却在一些样本上展示了与 GPT-4...
-
Gemini官网体验入口 谷歌DeepMind多模态AI人工智能在线使用地址
Gemini是由谷歌DeepMind推出的新一代人工智能系统。作为全球热门的多模态AI系统，Gemini能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。在语言理解、推理、数学、编程等多个领域，Gemini超越了之前的状态，成为迄今为止最...
-
多模态大模型，阿里通义千问能和GPT-4V掰手腕了
通义千问的图像推理能力，最近有了大幅提升。 2024年，大模型领域要卷什么? 如果没有思路的话，不妨看看各家大厂都在押注什么方向。 最近一段时间，先是 OpenAI 推出 GPT-4V，让大模型拥有了前所未有的图像语义理解能力。 谷歌随后跟上，发布的 G...
-
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...
-
谷歌AI聊天机器人在线使用地址 Gemini官网体验入口
Gemini是谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域都超越了之前的状态，成为迄今为止最强大的AI系统之一。它有三个不同规模的版本...
-
谷歌AI多模态人工智能系统网页版在线使用地址 Gemini官网体验入口
Gemini是谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域都超越了之前的状态，成为迄今为止最强大的AI系统之一。它有三个不同规模的版本...
-
GPT-4V开源平替！清华浙大领衔，LLaVA、CogAgent等开源视觉模型大爆发
如今，GPT-4 Vision在语言理解和视觉处理方面展现出了非凡的能力。 然而，如果想在不影响性能的前提下，寻求具有成本效益的替代方案，开源方案就蕴藏着无限可能。 国外的一位开发者Youssef Hosni为大家奉上了三种GPT-4V的开源替代方案，可...
-
「Gemini」官网体验入口 谷歌AI聊天软件app免费下载地址
Gemini是由谷歌DeepMind推出的新一代人工智能系统。这个系统能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互，已成为迄今最强大的AI系统之一。Gemini具有三个不同规模的版本，可以满足从边缘计算到云计算的各种需求，并广泛应用于...
-
扳回一局！Gemini-Pro多模态能力和GPT-4V不相上下
近期的Gemini-Pro评测报告显示其在多模态领域取得了显著的进展，与GPT-4V不相上下，甚至在某些方面表现更为出色。首先，在多模态专有基准MME上的综合表现中，Gemini-Pro以1933.4的高分超越了GPT-4V，展现出在感知和认知方面的全面优...
-
Gemini官网体验入口 谷歌AI聊天模型软件app免费下载地址
Gemini是由谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域的表现超越了以往，成为目前最强大的AI系统之一。它有三个不同规模的版本，能...
-
Gemini官网体验入口 谷歌AI软件app免费下载地址
Gemini 是谷歌 DeepMind 推出的一款新一代人工智能系统，能够执行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。它在语言理解、推理、数学、编程等多个领域表现卓越，成为最强大的 AI 系统之一。那么，Gemini 在哪里可以体验呢？...
-
微软提出变色龙框架，让模型自带工具箱开挂，数学推理任务准确率98%
教大模型调用工具，已经是AI圈关注度最高的话题之一了。 这不，又有一项研究登上最新NeurIPS 2023—— 它是一个叫做Chameleon（变色龙）的框架，号称能将大语言模型直接变成魔法师的工具箱，来自微软与加州大学洛杉矶分校（UCLA）。 相比其它...
-
Gemini官网体验入口 Google AI聊天软件app免费下载地址
《Gemini》是由谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。《Gemini》在哪里可以体验呢?下面就给大家带来《Gemini》官网体验入口和免费app下载地址。 点击前往《Gem...
-
Gemini官网体验入口 谷歌AI聊天软件app免费下载地址
《Gemini》是谷歌DeepMind推出的新一代人工智能系统。它支持多模态推理，能够处理文本、图像、视频、音频和代码之间的无缝交互。在多个领域，如语言理解、推理、数学、编程等方面都有显著的表现，被认为是目前最强大的AI系统之一。《Gemini》在哪里可以...
-
LLaMA Adapter和LLaMA Adapter V2
LLaMA Adapter论文地址： https://arxiv.org/pdf/2303.16199.pdf LLaMA Adapter V2论文地址： https://arxiv.org/pdf/2304.15010.pdf LLaMA Ada...
-
Gemini官网体验入口 多模态AI聊天软件app免费下载地址
《Gemini》是由谷歌DeepMind推出的新一代人工智能系统。它具备多模态推理能力，支持文本、图像、视频、音频和代码之间的无缝交互。《Gemini》在哪里可以体验呢?下面就给大家带来《Gemini》官网体验入口和免费app下载地址。 点击前往《Gem...
-
Gemini官网体验入口 谷歌多模态AI免费软件app下载地址
《Gemini》是由谷歌DeepMind推出的新一代人工智能系统。这个系统能够进行多模态推理，支持文本、图像、视频、音频和代码之间的无缝交互。《Gemini》在哪里可以体验呢?下面就给大家带来《Gemini》官网体验入口和免费app下载地址。 点击前往《...
-
文本生成图像工作简述4--扩散模型、自回归模型、生成对抗网络的对比调研
基于近年来图像处理和语言理解方面的技术突破，融合图像和文本处理的多模态任务获得了广泛的关注并取得了显著成功。 文本生成图像（text-to-image）是图像和文本处理的多模态任务的一项子任务，其根据给定文本生成符合描述的真实图像，具有巨大的应用潜力，如...
-
通义千问720亿参数模型开源，率先实现“全尺寸全模态”开源
12月1日，阿里云通义千问720亿参数模型Qwen-72B宣布开源。该模型基于3T tokens高质量数据训练，在10个权威基准测评中夺得开源模型最优成绩，在部分测评中超越闭源的GPT-3.5和GPT-4。 在英语任务上，Qwen-72B在MMLU基准测...
-
北大视频大模型新SOTA，搞笑抖音视频AI秒懂笑点｜开源
AI能理解搞笑视频笑点在哪里了。 北大等团队开源视觉语言大模型Video-LLaVA，将图像和视频表示对齐到统一的视觉特征空间，在13个图片和视频基准上达到先进的性能。 值得注意的是，Video-LLaVA在训练过程中没有使用成对的视频和图片数据，但...
-
北大视频大模型新SOTA，搞笑抖音视频AI秒懂笑点
AI能理解搞笑视频笑点在哪里了。 AI回答：这个视频之所以搞笑，在于一个小宝宝正坐在床上努力读书，但他显然还不会真正读书。他只是不停地指着书页上的各处，而摄影者则在背后笑他。小宝宝的这种尝试很有趣，因为他在尝试阅读一本对他而言过大的书，也看不懂里面的文...
-
HiLM-D：自动驾驶多模态大语言模型玩出花了
本文经自动驾驶之心公众号授权转载，转载请联系出处。 笔者个人的一些思考 不得不说，最近大模型在学术界火起来了，基于图文匹配的CLIP预训练模型成为近年来在多模态研究领域的经典之作。除此之外，大语言模型的蓬勃发展也进一步为多模态带来了性能提升。自动驾驶领...