细节制胜: 多模态大模型最新进展

斯坦福联合Meta提出多模态模型RA-CM3,检索增强机制或成文本图像领域新制胜法宝 一种基于检索增强的(Retrieval-Augmented)多模态模型RA-CM3 阅读详情

今天来简述一下最近几个多模态LLM的Tech Report,总结一下最近的趋势。

[1] Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling (InternVL 2.5)

[2] Qwen2-VL: Enhancing Vision-Language Model’s Perception of the World at Any Resolution

[3] DeepSeek-VL2: Mixture-of-Experts Vision-Language Models for Advanced Multimodal Understanding

[4] Pixtral 12B

近来关于开源VLLM的架构,各家都还是一个比较保守的状态,前段时间还能看到像CogVLM, fuyu-8b等比较有意思的工作,最近的几个比较好的工作基本都是在细节上发力了。不过很多时候细节就是魔鬼,还是值得了解的。

Intern VL 架构

这次我就不一一讲解这些工作了,而是从两个维度来进行对比。

视觉建模

Intern VL 2.5提的是所谓Dynamic High Resolution,就是先定义好若干的长宽比,然后计算图片的长宽比,将其匹配到最接近的预先定义好的长宽比( i : j )上,然后再缩放到 (i * S, j * S)的大小,最后切分为若干个S*S (S=448)的Tiles,还要补充一个thumbnail用来提供全局信息。这里乍看很暴力,需要预先定义好有哪些长宽比,但实际上非常符合实际,并且可以确保不同长宽比的数据都能有充分的利用以及更好的泛化。 InternVL 2.5一如既往使用InternViT,并且为了避免对比学习带来的全局信息对齐的过拟合,选择了去掉最后的三层,从而可以让模型更加专注于局部的信息。每个Tile (448*448)最后会被InternViT转化为256个Vision Tokens。(其实Patch Size还是14,只不过有pixel unshuffle操作,能够把1024个tokens降低为256个)

Qwen2-VL思路是Naive Dynamic Resolution,这里就是按照14的patch_size去直接做了切分,然后用2d的rotary position embedding来建模位置信息,并且最后还会把相邻的四个patches embedding进行合并以减少visual token数量。

DeepSeek VL2提出了dynamic tiling strategy,思路和internVL 2基本没差。主要区别在于直接用了一个可以读384*384 tiles的SigLIP,它会为每个tile生成14*14=196个visual tokens(在一个把tile从27*27变成14*14的Pixel Shuffle操作之后)。 除此之外还有一个global thumbnail tile和14个放在行末尾用来代表换行的特殊符号。

Pixtral和qwen2-vl 差不多,也是采用了2d的rope。

总结下来可以发现,减少visual tokens的数量是一个趋势,并且发现减少了之后并没有什么不好。

训练方法

这里可以发现最主要的训练策略是: 冻结 or 不冻结。

InternVL2.5选择先对MLP Projector(链接ViT和LLM)做一个单独的训练(固定ViT和LLM的参数),使用NTP Loss。然后加入一个可选的阶段,用来训练MLP + VitT,最后一阶段则是ViT, MLP, LLM一起训练。并且还有一个有趣的progressive scaling strategy,在small LLM上先训练前两个阶段,然后再把MLP+ViT和LLM拼起来继续训练。 这个方法用了更低的成本得到了效果更好更具泛化能力的Vision Encoder。

此外还有两个小细节值得注意: 1) 对于jpeg可以去做一下图片压缩来模拟互联网上的低质量图片。2)考虑了损失函数的Sample-level和Token-level的Trade-off,在样本级别取平均会导致模型更容易生成短回答,而Token级别的平均会导致模型的回答更长,在benchmark上的指标下降。

Qwen2的训练方法也比较特别: 先只训练ViT,训练600b的token,主要是一些基础的视觉任务。第二阶段解冻所有参数,训练800b的token,包括了VQA在内的一些高级任务。最后的Instruction Finetuning阶段,冻结了ViT,只训练LLM。这一阶段加入了更多和实际应用比较类似的数据。

DeepSeek-VL2这块相对比较直接,先优化ViT+MLP,后面的两个阶段就都是全参数训练了。

Pixtral关于训练基本语焉不详。

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

ViLBERT:从单模态到多模态,Transformer如何打通视觉与语言的“任督二脉”? 本文深入解析ViLBERT模型如何通过Transformer架构实现视觉与语言的多模态融合。作为BERT在多模态领域的延伸,ViLBERT创新性地采用共注意力机制,有效打通视觉与语言的信息交互,在视觉问答、图像检索等任务中展现卓越性能。文章详细探讨了ViLBERT的双流设计、预训练策略及其在多模态学习中的开创性意义。 阅读详情

相关推荐

FPGA实战:用Verilog实现Costas环载波同步(附Vivado2019.2仿真步骤)

本文详细介绍了如何在FPGA上使用Verilog实现Costas环载波同步,包括核心原理、Vivado2019.2工程配置、代码实现及仿真验证。通过正交下变频、相位误差检测和环路滤波等关键模块的设计,帮助开发者掌握数字通信系统中的载波同步技术,并提供了实用的调试和优化技巧。

k0l1m2n3o的博客 134

突破闭源封锁!InternVL 2.5 革新开源多模态模型格局?

本月 5 号,上海 AI 实验室旗下的 OpenGVLab 团队发布了其最新的开源多模态大语言模型 InternVL2.5 系列。其中 InternVL2.5 78B 是首个在 MMMU benchmark 上得分超过 70 的开源模型,同时超越 Chatgpt-4o 与 Claude-3.5-Sonnet!书生·万象 InternVL 2.5[1] 最新的多模态大模型家族涵盖由 1B 到 78B 的不同模型,适配不同需求的使用场景和硬件需求。

m0_59235945的博客 3335

SystemRDL:从寄存器描述到自动化生成的完整指南

本文详细介绍了SystemRDL如何通过“一份描述,多处生成”的理念,彻底解决芯片与FPGA设计中手动维护寄存器带来的不一致与低效问题。文章提供了从语言快速上手、核心组件讲解到使用PeakRDL工具链实现自动化代码与文档生成的完整实战指南,帮助硬件工程师构建高效、可靠的寄存器开发流程。

weixin_29243279的博客 659

InternVL2.5:Expanding Performance Boundaries of Open-SourceMultimodal Models 论文理解

1、继承InternVL 2.0核心模型架构的基础上,系统地探索了视觉编码器、语言模型、数据集大小以及测试时配置的性能趋势,应该还有一个(预)训练策略 2、第一个在MMMU基准测试中超过70%的开源MLLM,通过链式思维(CoT)推理实现了涨点3.7% 3、探索了一种data filter的数据方式,确保数据的高质量(MLLM去重,filter+人工)

lovep1的博客 1945

Moltbot 超详细安装使用教程(初学者版)

你在外面逛街,用微信/Telegram 发消息说"帮我查一下明天的天气"它立刻帮你查好并回复你说"帮我在电脑上新建一个文件夹叫'工作文档'"它真的帮你在电脑上创建了这就是 Moltbot ——一个能真正帮你干活的 AI 助手。API Key 就像是一把"钥匙",让 Moltbot 能够使用 AI 服务。

weixin_51040479的博客 2015

腾讯中文通用视频模型—Hunyuan-Video,已开源

大模型(LLM)是一种人工智能模型,旨在理解和生成人类语言。它们在大量的文本数据上进行训练,可以执行广泛的任务,包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大,包含数十亿的参数,帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构,如转化器,这有助于它们在各种NLP任务上取得令人印象深刻的表现。

AI_Conf的博客 1083

论文分享 | 大语言模型最新进展

https://arxiv.org/abs/2412.05237Open-source multimodal large language models (MLLMs) have shown significant potential in a broad range of multimodal tasks. However, their reasoning capabilities remain constrained by existing instruction-tuning datasets, wh

m0_59163425的博客 1101

LD14激光雷达与STM32F103C8T6(标准库)获取雷达360度数据(1)

LD14激光雷达与STM32F103C8T6(标准库)获取雷达360度数据(1)

qq_54206194的博客 3899

[VCS]门级仿真及SDF反标

摘要:门级仿真在STA工具普及后仍是验证的重要环节,主要用于检查SDC完备性、异步电路时序、网表完整性及为功耗分析提供波形。门级仿真分为不带时序反标的前仿和带SDF反标的后仿,后仿需加载SDF文件提供精确延时信息。VCS提供多种仿真选项控制时序检查行为,SDF反标可通过命令或系统函数实现。后仿需特别注意关闭notimingcheck选项以确保时序检查有效性,并建议检查SDF反标报告和波形验证延时一致性。

元直的博客 9792

InternVL2: Better than the Best—Expanding Performance Boundaries of Open-Source Multimodal Models

基于对InternVL2的分析,可以得到以下经验: 1、对于将预训练好的VIT与LLM模型组装成mllm模型时,可以只训练MLP部分,实现快速的模态对齐 2、llm部分的升级可以大幅度提升mllm模型的效果,尤其是在非标准格式问答中 3、数据分布域的改变,导致在标准格式输出,如grounding任务中,模型性能的下降(这表明模型能力的提升不一定是全面的)

a486259的博客 1725

物联网通信中NB-IoT、Cat.1、LTE-M该如何选择?

首先我们要确定我们产品的关键需求,例如:我们的设备是否对数据传输速率有较高的要求,有较高要求我们就需要选择较高传输速率的Cat.1来开发我们的产品。同时关于产品性能方面,我们对功耗、延迟、可靠性也会有所要求,例如我们的产品为移动端产品,不方便布线以及安装电源,那我们就会采用电池供电的方式,所以在选择时可以优先考虑低功耗产品,最终结合其他需求选择出合适的协议。首先,我们需求的产品是不同的,我们需要根据产品需求或项目需求来进行选择,NB-IoT、Cat.1、Cat.M都有属于自己的优势。

a1809032425的博客 1216

大模型现状及发展路径展望

目前大模型能力仍处于Emerging AGI水平,就模型成熟度而言,语言大模型>多模态大模型>具身智能大模型。根据DeepMind的定义,AGI应能够广泛学习、执行复杂多步骤的任务。模型的AGI水平可分为Level-0至Level-5共6个等级,现阶段大模型在处理任务的广泛性上还有很大提升空间,即使是国际顶尖的大模型也仍处于Level-1Emerging AGI阶段。不同类型大模型成熟...

538

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

人工智能挑战杯:核心赛道深度解析与制胜策略

这篇文章系统解析了人工智能挑战杯六大核心赛道的技术要点与参赛策略。重点赛道包括:计算机视觉(图像识别、目标检测)、自然语言处理(大模型应用)、机器人/智能体(强化学习)、交叉创新(AI+行业)、AI for Science(科学计算融合)以及可信AI(安全与伦理)。文章强调应根据团队优势选择赛道,注重技术创新与场景落地的结合,建议参赛者深入理解行业痛点,强化数据论证和对比实验,在模型优化、场景创新等方面寻找突破口。评审关注技术深度、应用价值和社会影响,成功的作品需要兼顾算法创新与实际应用可行性。

yzx991013的博客 1520

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

AI创作新纪元:百度自由画布如何重塑多模态内容生产

在实际应用中,自由画布展现出三大独特优势:办公场景下,会议录音转文字后能自动关联相关合同条款生成纪要;内容创作时,短视频脚本与配乐能同步产出。当用户标记某段视频关键帧时,系统会同步检索相关文档段落,这种跨模态理解能力使内容生成精准度显著提升。自由画布的成功印证了AI产品的进化方向:不是简单叠加功能,而是重构工作流。比如圈选多个景点图片输入「生成带交通路线的三日游攻略」,系统会保持原始素材细节的同时,输出结构完整的可视化行程表。特别设计的AI大纲编辑功能,让长文创作先框架后填充,确保专业内容质量。

BlackironFalcon78的博客 457

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

中电金信&IDC 发布《中国金融大模型发展白皮书》,解锁可信AI能力基座构建指南

同时,通过构建大模型生态资源共享平台,向金融机构提供大模型应用所需的全套资源,是金融机构大规模应用生成式AI的主要路径之一。同时,金融行业属于信息密集型、风险规避及强监管行业,在推进大模型落地过程中,相比其他领域,金融行业对数据质量、推理准确性及响应速度,以及在管控、合规、安全层面的要求都更高。其中,数据价值链管理堪称生成式AI在金融场景中释放价值的基石,其核心目的是提升数据质量、数据可用性以及确保数据的合规获取,助力金融机构针对不同的应用场景快速构建高质量的数据集,并为后续金融大模型的规模应用筑牢根基。

zhongdianjinxin的博客 1886

可信开源人工智能大模型案例汇编(第一期)

为进一步引导开源大模型产业规范发展,中国信通院云计算开源产业联盟联合超神经编制《可信开源大模型案例汇编(第一期)》案例,旨在洞察开源人工智能大模型应用场景,梳理开源人工智能大模型的开源成熟度,提升开源人工智能大模型的创新发展。案例通过调研国内开源大模型的技术细节、应用场景、商业模式、应用治理、发展趋势等,并关注开源大模型技术生态及产业链上下游,全面展现开源大模型及其工具链的发展全貌,为下一代技术浪...

612

新动态!微软开源多模态AI Agent,横跨数字与物理世界

Magma模型通过融合视觉与大语言模型的混合架构,实现了强大的多模态能力。其视觉模块采用ConvNeXt架构,能够将输入的图像和视频数据高效编码为一系列离散的tokens。这些tokens不仅捕捉了视觉信息的关键特征,如物体的形状、颜色、位置及其空间关系,还能处理视频中的时间序列信息,从而为模型提供丰富的视觉上下文。具体而言,在处理高分辨率UI截图时,ConvNeXt能够精确识别界面中的每一个细节,包括微小的图标和复杂的布局;

Leinwin的博客 808

GPT-4静默跃迁:多模态推理内核与工程实践指南

大语言模型(LLM)正从概率生成迈向可追溯的结构化推理,其核心演进体现为知识组织方式的重构与跨模态语义对齐能力的突破。GPT-4并非简单提升参数量或响应速度,而是通过隐空间对齐、视觉token语义化编码与反事实推理注入,实现对文本、图像等多源信息的意图级理解。这种能力支撑起法律合同审查、嵌入式代码调试、古籍翻译等高确定性场景,显著降低逻辑错误率并增强抗干扰鲁棒性。在工程落地中,需摒弃线性Prompt思维,转向分层锚定、上下文滑动与元指令固化等新范式。本文聚焦GPT-4的底层推理跃迁、多模态真相及API实战避

weixin_34122810的博客 335

AIGC重塑家具产业:从ComfyUI到家具AI专属应用,家具人该如何选择?

不过随着RunningHub等平台的兴起,云端部署使用comfyui实现家具设计和效果图创作正在成为新的选项,云端部署免去了硬件门槛高的痛点,但学习成本高的问题依然存在,总的来说,comfyui专属家具工作流的方式,依然没能够实现破圈,仅在部分设计师中流行。但劣势在于家具出图精度和控制力不足,对于家具的造型、光照修复做得不够好,因为通过拍摄的家具照片,通常存在透视大、扭曲、光照不均匀的问题,而这些大模型无法满足家具行业对“实拍图转效果图”、“毛坯房+实拍家具入户融合”的精准视觉要求。

weixin_42606549的博客 165

Lychee Rerank MM实战落地:从学术研究到企业级多模态检索系统的平滑迁移

本文介绍了如何在星图GPU平台上自动化部署Lychee Rerank 多模态智能重排序系统镜像,显著提升企业级多模态检索效果。通过插件式集成,该镜像可对电商商品、教育课程、设计素材等图文混合结果进行实时重排序,精准匹配用户意图,实现搜索相关性与点击率双提升。

weixin_36328210的博客 274

【技术解析】DDT Tokens:如何通过离散扩散时间步实现多模态统一建模

本文深入解析了DDT Tokens(离散扩散时间步令牌)技术,它通过将图像编码为递归视觉序列,实现了多模态统一建模。该技术解决了传统方法中视觉与语言建模割裂的问题,让大语言模型能够像处理文本一样理解和生成图像,显著提升了多模态AI在图像编辑、视觉问答等任务上的性能。

xx56789的博客 681

2026制胜法则:AI做图视频如何重塑电商外贸格局

当传统卖家还在为海外拍摄的高成本和本地化营销的复杂性而苦恼时,前沿企业已经通过AI视觉工具实现了日更千图、周产百视频的惊人效率。text 复制 下载 原始产品图 → AI背景替换(符合目标市场审美)→ AI模特替换(匹配当地人种特征)→ AI文案翻译与排版 → AI生成使用场景视频 → 多平台适配输出。现在是时候重新评估你的视觉内容策略,将AI做图视频技术置于企业数字转型的核心位置。未来的赢家不是最大的企业,也不是技术最强的企业,而是最快适应AI视觉革命的企业。

yinghuoAI2026的博客 738

所有测试人,招聘的新方向,赢麻了!!!

只有充分了解落地案例和技术细节,才能准确制定AI产品的测试方案,更好的提交有效的AI产品缺陷,及后续优化方案,更好的协同研发等部门!充分理解AI大模型、AI技术能力,能够将AI技术应用到测试工作中,还要能制定AI产品全流程的测试方案!全链路讲解AI产品完成所经历的各个环节,帮助你从0~1建立AI产品测试开发能力,很多公司一口气推出十多个AI产品,传统测试岗没几个,AI测试岗的需求量暴增!,能直接对话大佬和专业助教,不懂就问,超详细的案例,小白也能轻松get!有AI相关应用测试开发经验吗?

测试游记 113
上一篇: AAAI 2025 | CNC:用于无监督多类异常检测的跨模态正态约束
下一篇: ICML-2024 | Voronoi图助力具身导航!VoroNav:基于大模型和Voronoi图的零样本目标导航
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值