AI资讯新闻榜单内容搜索-视觉模型

关键词: VLM,视觉模型,AI,GPT-4o,Claude 3.5

视觉大语言模型在最基础的视觉任务上集体「翻车」，即便是简单的图形识别都能难倒一片，或许这些最先进的VLM还没有发展出真正的视觉能力？

关键词: 豆包大模型,VLM,视觉模型,AI,模型训练

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。

关键词: MSRA,视觉模型,模型训练,AI

文生图、文生视频，视觉生成赛道火热，但仍存在亟需解决的问题。

关键词: CV,AI,patch,AI,视觉模型

下一代视觉模型会摒弃patch吗？Meta AI最近发表的一篇论文就质疑了视觉模型中局部关系的必要性。他们提出了PiT架构，让Transformer直接学习单个像素而不是16×16的patch，结果在多个下游任务中取得了全面超越ViT模型的性能。

关键词: 视觉模型,4M-21,多模态,模型训练

当前的多模态和多任务基础模型，如 4M 或 UnifiedIO，显示出有希望的结果。然而，它们接受不同输入和执行不同任务的开箱即用能力，受到它们接受训练的模态和任务的数量（通常很少）的限制。

关键词: 微软AI,Florence-2,视觉模型,Hugging Face

等了半年，微软视觉基础模型Florence-2终于开源了。它能够根据提示，完成字幕、对象检测、分割等各种计算机视觉和语言的任务。网友们实测后，堪称「游戏规则改变者」。

关键词: AI,LSTM,Vision-LSTM,AI视觉模型,视觉大模型

与 DeiT 等使用 ViT 和 Vision-Mamba (Vim) 方法的模型相比，ViL 的性能更胜一筹。

关键词: 扩散模型,视觉模型,vHeat,模型训练,AI学术

如何突破 Transformer 的 Attention 机制？中国科学院大学与鹏城国家实验室提出基于热传导的视觉表征模型 vHeat。将图片特征块视为热源，并通过预测热传导率、以物理学热传导原理提取图像特征。相比于基于Attention机制的视觉模型， vHeat 同时兼顾了：计算复杂度（1.5次方）、全局感受野、物理可解释性。

关键词: 李飞飞,空间智能,视觉模型,BVS

在不久之前的 2024 TED 演讲中，李飞飞详细解读了 空间智能（Spatial Intelligence）概念。她对计算机视觉领域在数年间的快速发展感到欣喜并抱有极大热忱，并为此正在创建初创公司

关键词: HuggingFace,SOTA,AI视频,视觉模型,模型训练

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。