Modelo multi-modal Qwen-VL da Alibaba atualizado, lançando versões Plus e Max

Apenas 20B parâmetros! ByteDance lança o modelo multi-modal Seed1.5-VL, obtendo 38 resultados SOTA

ByteDance lança o modelo multi-modal Vidi, impulsionando uma nova onda na compreensão e edição de vídeos longos

Alibaba lança novo modelo multi-modal Qwen2.5-VL-32B: combinando linguagem visual e raciocínio matemático

Na área de inteligência artificial, a Alibaba mais uma vez trouxe grandes novidades. Recentemente, a Alibaba lançou um novo modelo multi-modal de código aberto - Qwen2.5-VL-32B-Instruct. Este novo modelo faz parte da série Qwen2.5, com outras versões incluindo 3B, 7B e 72B, sendo que a versão 32B, além de manter o desempenho, prioriza uma experiência de execução local mais conveniente. O Qwen2.5-VL-32B foi otimizado por meio de aprendizado por reforço e apresenta excelente desempenho em diversos aspectos. Primeiro, suas respostas são mais alinhadas com as expectativas humanas.

Boletim Diário de IA: Notícia de Impacto! O novo Quark da Alibaba se torna uma super estrutura de IA; O Google lança o modelo multi-modal Gemma-3; A Luocheng Technology lança o modelo de vídeo Open-Sora 2.0

Bem-vindo ao boletim diário de IA! Aqui você encontra seu guia diário para explorar o mundo da inteligência artificial. Todos os dias apresentamos os principais assuntos do campo da IA, focando em desenvolvedores e ajudando você a entender as tendências tecnológicas e os novos aplicativos de produtos de IA. Saiba mais sobre os novos produtos de IA clicando aqui: https://top.aibase.com/ 1、A Alibaba lança o novo aplicativo principal de IA, o "Novo Quark", totalmente atualizado para uma super estrutura de IA A Alibaba lançou em 13 de março seu novo aplicativo principal de IA atualizado – o Novo Quark. Estima-se que até 2025, a Zhipu...

Huawei Ascend e Step-Video lançam modelo multi-modal de código aberto, avançando em nova área de IA

Recentemente, a comunidade Modelers lançou oficialmente os modelos multimodais de código aberto Step-Video e Step-Audio, desenvolvidos pela Step-Video. Esses dois modelos são usados, respectivamente, para geração de vídeo e interação de voz, com o objetivo de fornecer ferramentas de IA mais poderosas para desenvolvedores e empresas. O modelo Step-Video, com o nome completo Step-Video-T2V, é um modelo de geração de vídeo de código aberto com 30 bilhões de parâmetros, o maior do mundo. O modelo pode gerar diretamente vídeos de 20...

OpenBMB lança o modelo multi-modal MiniCPM-o2.6: processamento de visão e voz agora também em smartphones

Nos últimos anos, a inteligência artificial (IA) tem apresentado avanços significativos, mas ainda existem desafios na conciliação entre eficiência computacional e multifuncionalidade. Muitos modelos multimodais avançados, como o GPT-4, geralmente exigem recursos computacionais substanciais, o que limita seu uso a servidores de alta capacidade, dificultando a utilização eficaz de tecnologias de inteligência em dispositivos de borda, como smartphones e tablets. Além disso, o processamento em tempo real de tarefas como análise de vídeo ou conversão de voz para texto ainda enfrenta obstáculos tecnológicos, destacando a necessidade de modelos de IA eficientes e flexíveis para permitir uma operação perfeita em condições de hardware limitadas.

Meta lança vários modelos: modelo multi-modal Chameleon, modelo de geração de música a partir de texto JASCO, tecnologia de marca d'água de áudio AudioSeal, etc.

Recentemente, o Meta lançou discretamente seis resultados de pesquisa, trazendo novas aplicações e avanços tecnológicos para o campo da IA. Isso inclui um modelo multi-modal, um modelo de geração de música a partir de texto, uma tecnologia de marca d'água de áudio e conjuntos de dados, entre outros projetos. Vamos dar uma olhada no que esses resultados de pesquisa são exatamente.

Nova versão do modelo multi-modal Ollama lançada

A versão mais recente do Ollama agora suporta modelos multimodais. Basta digitar “ollama run llava” e executar. Após baixar o modelo llava-7B, basta arrastar e soltar a imagem para inserir a pergunta. Quanto maior o nível de quantização, mais preciso o modelo, mas mais lento será o tempo de execução e maior a quantidade de memória necessária. O projeto AMBER é um novo benchmark para modelos de linguagem multimodais, projetado para avaliar e reduzir problemas de alucinação nos modelos. O modelo 'Kuaiyi' de 13 bilhões e 66 bilhões de parâmetros, desenvolvido pela Kuaishou, já atingiu...

Desafiando o GPT-4V! CogVLM-17B, modelo multi-modal de 14 bilhões de parâmetros da Tsinghua e Zhipu, agora disponível online

O modelo multimodal CogVLM-17B, desenvolvido em conjunto pela Universidade Tsinghua e a Zhipu AI, alcançou desempenho SOTA. O modelo CogVLM alcançou uma fusão profunda, melhorando o desempenho dos modelos de linguagem visual. O modelo suporta várias funções, incluindo detecção de objetos e reconhecimento de texto, com código aberto e demonstração online disponível. O artigo também menciona a competição e o desenvolvimento de outros modelos multimodais. Este modelo alcançou resultados significativos em vários testes de referência e tem o potencial de desafiar o GPT-4V.

Alibaba Cloud lança modelo multi-modal Qwen-VL de código aberto

O Qwen-VL é um modelo de linguagem visual em larga escala lançado pela Alibaba Cloud que suporta entrada de texto e imagem. Em comparação com outros modelos de linguagem visual, o Qwen-VL adicionou recursos como localização visual e compreensão de texto em imagens. O Qwen-VL já obteve mais de 3400 estrelas no GitHub e mais de 400.000 downloads.