ChatGPT大更新-视觉（vision）

最新推荐文章于 2025-12-06 23:42:21 发布
原创 最新推荐文章于 2025-12-06 23:42:21 发布 · 148 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#chatgpt #人工智能

近期，ChatGPT增加了视觉功能，不仅能识别照片和画图，还可能应用于机器人领域。国外网友对其强大能力印象深刻。

最近ChatGPT除了语音外，vision（视力）也有上线。

国外网友的几个例子。看起来能力还是很强的。除了拍照， 画图，草稿都可以识别。

这么下去，最适合的ChatGPT应用，可能是机器人了。

图片有ppword.cn提供，更多AI资讯访问ppword

ooope
关注
【ACL 2024】Video-ChatGPT: Towards Detailed Video Understanding via Large Vision and Language Models
zik的博客
07-30 2382
Authors【Paper】【Project】由大型语言模型 (LLM) 推动的对话代理正在提供一种与视觉数据交互的新方式。虽然已经对基于图像的对话模型进行了初步尝试，但这项工作通过引入 Video-ChatGPT 解决了 \emph{基于视频的对话} 尚未开发的领域。它是一种多模态模型，将视频自适应视觉编码器与大语言模型相结合。生成的模型能够理解并生成有关视频的详细对话。数据集，定量评估框架。
200 美元购买 ChatGPT o1-Pro 是天才还是垃圾？
iCloudEnd的博客
12-10 268
那么，您应该升级到 GPT-Pro 吗？在我看来，除非您是 ChatGPT 的真正重度用户，并且它确实能产生收入来抵消其成本，否则您应该坚持使用普通的旧 Plus 会员资格。以下是您可能想要升级的几个原因，否则我不会推荐它：您喜欢高级语音模式并且希望花更多时间使用它你确实需要为所有模型提供 128k 上下文窗口（如果你编写长篇内容，这一点很重要）你不断达到每周 50 条消息的限制（这对我来说是一场巨大的斗争）
多模态GPT-V出世！36种场景分析ChatGPT Vision能力，LMM将全面替代大语言模型？ | 京东云技术团队
JDDTechTalk的博客
10-20 472
LMM将会全面替代大语言模型？人工智能新里程碑GPT-V美国预先公测，医疗领域/OCR实践+166页GPT-V试用报告首发解读ChatGPT Vision，亦被广泛称为GPT-V或GPT-4V，代表了人工智能技术的新里程碑。作为LMM (Large Multimodal Model) 的代表，它不仅继承了LLM (Large Language Model) 的文本处理能力，还加入了图像处理的功能，实现了文本与图像的多模态交互。与传统的LLM相比，GPT-V更加强大和灵活，能够更深入地理解和生成与图像相关的内
【好书分享第十期】大模型应用解决方案_基于ChatGPT和GPT-4等Transformer架构的自然语言处理（文末送书）
热门推荐
屿小夏.的知识博客
05-22 3万+
在不到4 年的时间里，Transformer 模型以其强大的性能和创新的思想，迅速在NLP 社区崭露头角，打破了过去30 年的记录。BERT、T5 和GPT 等模型现在已成为计算机视觉、语音识别、翻译、蛋白质测序、编码等各个领域中新应用的基础构件。因此，斯坦福大学最近提出了“基础模型”这个术语，用于定义基于巨型预训练Transformer 的一系列大型语言模型。所有这些进步都归功于一些简单的想法。
【好书分享】大模型应用解决方案_基于ChatGPT和GPT-4等Transformer架构的自然语言处理（附PDF）
qkh1234567的博客
08-06 1243
在不到4 年的时间里，Transformer 模型以其强大的性能和创新的思想，迅速在NLP 社区崭露头角，打破了过去30 年的记录。BERT、T5 和GPT 等模型现在已成为计算机视觉、语音识别、翻译、蛋白质测序、编码等各个领域中新应用的基础构件。因此，斯坦福大学最近提出了“基础模型”这个术语，用于定义基于巨型预训练Transformer 的一系列大型语言模型。所有这些进步都归功于一些简单的想法。
【GitHub开源项目实战】chatgpt-on-wechat 全功能智能体框架实战解析：多端部署、多模型接入与插件机制深度应用指南
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
05-13 1845
[chatgpt-on-wechat](https://github.com/zhayujie/chatgpt-on-wechat) 是当前最具代表性的微信生态智能体开源框架，具备广泛的实际应用基础与企业级可落地能力。该项目支持部署于微信公众号、企业微信、飞书、钉钉等主流消息平台，兼容 GPT-4o、Claude、Gemini、文心一言、讯飞星火、KIMI、ChatGLM、通义千问、LinkAI 等模型，提供语音识别、图片生成、多轮上下文记忆等核心能力，结合丰富插件体系和自定义知识库，构建全场景 AI 助手
万字综述梳理ChatGPT----一文搞懂弄潮儿ChatGPT技术原理、行业现状、投资前景
锴笑口常开的博客
02-19 2万+
万字综述梳理ChatGPT----一文搞懂弄潮儿ChatGPT技术原理、行业现状、投资前景随着计算机技术的飞速发展，人工智能已经成为当前最热门的研究领域之一。在人工智能领域中，自然语言处理是一个重要的分支。本文是笔者自学ChatGPT的自我总结与思考，类型为综述文章，适合想全面了解ChatGPT或对人工智能感兴趣的小伙伴。
视频多模态模型: VideoChat、Video-LLaMA、Video-ChatGPT、Video-LLaVA等
ResumeProject的博客
05-22 4704
以视频为中心的多模态对话系统通过使用开源视觉模型将视频内容文本化，将视频理解表述为自然语言处理 （NLP） 问答。引入了一种以视频为中心的多模态指令微调数据集。创建了一个独特的数据集，其中包含数千个视频，并配以详细的文本描述和对话，这些描述和对话使用密集的字幕按时间顺序提供给 ChatGPT。该数据集强调时空对象、动作、事件和因果关系，为训练以视频为中心的多模态对话系统提供了宝贵的资源。
chatgpt-on-wechat图像处理模块解析：AI绘图与识图
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
11-17 988
chatgpt-on-wechat项目支持强大的图像处理功能，包括AI绘图和图像识别，能够根据用户描述生成图像，也能识别和理解图像内容。本文将深入解析项目的图像处理模块，详细介绍AI绘图和图像识别的实现原理、支持的模型、配置方法以及使用技巧，帮助开发者更好地理解和应用这一功能。AI图像生成：根据文本描述生成图像图像识别：分析和理解图像内容该模块位于项目的多个组件中，包括模型接口、配置管理和通道处理等部分，通过统一的接口支持多种图像处理服务。namecn="我的图像插件",
OpenAI ChatGPT 视觉API
星空外
11-17 2581
GPT-4 with Vision（gpt-4-vision-preview），有时称为 GPT-4V 或视觉 API，允许模型接收图片并回答与之相关的问题。从历史上看，语言模型系统一直受限于只接受单一的输入模态，即文本。对于许多用例，这限制了像 GPT-4 这样的模型可以使用的领域。GPT-4 with vision（gpt-4-vision-preview） 目前可供所有具有 GPT-4 访问权限的开发人员使用，可以通过模型和已更新以支持图片输入的 Chat Completions API 进行访问。
Video-ChatGPT：大型视觉-语言模型实现详细理解
cosingne的博客
10-17 932
Video-ChatGPT论文深度理解
Evaluating Object Hallucination in Large Vision-Language Models----评估大视觉语言模型中的物体幻觉
Mars_prime的博客
12-11 3140
在第 3 节的实证结果中，我们揭示了 LVLM 中物体幻觉问题的严重性，并强调了现有评估方法的局限性，例如对指令敏感和偏向短字幕。此外，现有的方法大多依赖于解析生成的标题来提取预测的对象，这通常需要人为设计的复杂规则，并且仍然不可避免地遗漏或错误分类对象。因此，我们考虑设计一种更适合LVLM稳定、公平和灵活的物体幻觉评估的方法，即基于轮询的物体探测评估（POPE）。具体来说，POPE 将对象幻觉的评估制定为二元分类任务，提示 LVLM 输出“是”或“否”，例如“图像中有一把椅子吗？
【纯干货】医疗视觉大模型2023年进展简述｜Medical Vision-language Models (VLM)
RickieLim的博客
11-16 6706
医学图像处理、辅助诊断大模型、视觉大语言模型的医学应用。
阿里千问 APP 来了，对标 ChatGPT，配吗？
夕小瑶科技说
12-03 1122
阿里发布千问 APP，正式开启公测。这个消息我上周已经刷到了——“阿里秘密启动千问项目，全面对标 ChatGPT ”，甚至还带动了阿里港股小涨一波。周末我发现 APP Store 里已经开放下载，于是花了两天时间密集测了一圈。有个有趣的发现：当所有人都在 AI 应用里堆功能的时候，阿里反而做起了减法。
如何借助AI写好论文中的“前人工作”与“现有问题”？用ChatGPT提供全新思路颠覆认知，实测有效，直接使用
智能AI让学术科研更容易
12-04 76
你是一位学术论文专家，请你帮我撰写“前人工作”部分，我的研究主题是【研究主题】，研究领域是【研究领域】，相关文献【填入文献详细信息】，以下是我的核心要求：1）系统梳理：按时间脉络/研究方法/主题分类组织文献，展现发展脉络，避免简单罗列；你是一位学术论文的专家，请你帮我撰写“现有问题”部分，研究主题为【研究主题】，前人工作局限是【说明前人工作局限】，拟解决方案【填写解决方案】，以下是我的要求：1）提炼尚待解决的问题：通过总结前人的核心发现、争议焦点或研究空白，明确本研究的切入点与价值所在。
用 Elasticsearch 构建一个 ChatGPT connector 来查询 GitHub issues
Elastic 中国社区官方博客
12-02 1066
本文介绍如何构建自定义ChatGPT连接器，通过部署使用混合搜索查询GitHub issues的Elasticsearch MCP服务器。文章详细说明了实现OpenAI要求的search和fetch工具的方法，包括使用ELSER语义搜索和BM25文本匹配的混合搜索技术。作者演示了在Google Colab上部署服务器并通过ngrok公开URL的步骤，使ChatGPT能连接内部数据源。最终实现了用自然语言查询GitHub issues和PRs的功能，展示了如何将ChatGPT与企业内部数据无缝集成。
用户体验与商业化的两难：Chatbots 的广告承载困境分析
Baihai_IDP的博客
12-05 846
作者逐一评估了展示广告、插屏广告、文本内嵌广告、组件广告和经过赞助的问题提示等可能方案，指出前几种要么破坏体验，要么削弱 AI 的“决策投射”能力，唯有“经过赞助的问题提示”相对可行，但仍非理想解。在上文列出的所有选项中，我认为这是“弊端最少”的选择。）”，并利用这些时刻来投放广告。文本嵌入广告则直接触及 Turley 所描述的矛盾核心：ChatGPT“高度对用户负责，必须忠实、专注地帮助用户达成其目标”，如果在已有上下文的情况下，不直接给出最契合用户问题的单一答案，反而插入广告内容，就会损害其核心功能。
【NLP 79、强化学习串讲】
m0_73983707的博客
12-03 762
如果你想入门理解原理：死磕Q-Learning，只要把那几行代码搞懂，后面都是通的。如果你想做个打游戏 AI：直接上PPO，它是目前最好用的“万金油”。如果你关注DeepSeek 和大模型前沿：去研究GRPO，这是当下的版本答案。如果你想训练自己的 ChatGPT：你必须走RLHF的全流程。
chatgpt降智的解决办法：
最新发布
weixin_44151034的博客
12-06 348
我的chatgpt降智了，哪怕是调成thinking hard模式，它也就思考那么几秒，然后回复一个很套路，但不怎么细节的回答。懷疑你的 ChatGPT 是否一直都是在用降智的版本?可以用以下這個 Prompt 測試一下分享4个快速检测ChatGPT降智的方法！但是测试出来，chatgpt回复自己是chatgpt 5.1 是没问题的，回复的使用工具的列表也有很多（虽然很多是web，python这样的，不是dalle那样的）结果后来我发现，我用chrome去挂分享4个快速检测ChatGPT降智的方法！
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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