谷歌发布的Gemma技术论文，这是一系列基于Google的Gemini模型研究和技术构建的轻量级、最先进的开源模型。Gemma模型在语言理解、推理和安全性方面的学术基准测试中表现出色。论文发布了两个规模的模型（20亿和70亿参数），并提供了预训练和微调后的检查点。Gemma在18个文本任务中的11个上超越了同样规模的开... 阅读全文

来自语言技术学院和卡内基·梅隆大学的研究团队发布论文探讨如何通过交互式学习方法提升语言代理（即人工智能聊天机器人）的社会智能。社会智能是指理解和处理社会互动的能力，这对于创建能够与人类自然交流的虚拟助手至关重要。论文通过实验表明，SOTOPIA-π能够显著提高基于7B参数的大型语言模型的社会目标完成能力，同时减少生成有... 阅读全文

这篇论文的主题是探讨开放基础模型（Open Foundation Models）对社会的影响。基础模型是一种强大的人工智能技术，它们在现代AI生态系统中扮演着核心角色，推动了技术的快速发展、部署和应用。开放基础模型特指那些模型权重（即模型的内部参数）广泛可获取的模型，例如Llama 2和Stable Diffusion... 阅读全文

这篇论文探讨了大语言模型（LLMs）的持续预训练策略。大语言模型是人工智能领域的一个重要组成部分，它们通过学习大量文本数据来理解和生成人类语言。例如，当你使用智能助手或搜索引擎时，背后的技术可能就是一个语言模型。 主要功能： 提出了一种简单且可扩展的方法，通过持续预训练来更新大型语言模型，而不是每次都从头开始训练。 展... 阅读全文

这篇论文探讨了在训练和评估语言模型时，规模法则（scaling laws）的可靠性和实用性。语言模型是人工智能中的一个关键组成部分，它们能够理解和生成人类语言。例如，当你使用智能助手进行对话时，背后就是一个语言模型在工作。 主要功能： 研究语言模型在过度训练（over-training）情况下的性能和可预测性。 建立语... 阅读全文

苹果推出多模态大语言模型MM1，这是一个结合了图像和文本处理能力的AI模型。MM1通过在大规模的图像-文本数据上进行预训练，学会了理解和生成与图像相关的文本，例如图像描述、回答关于图像的问题等。 主要功能和特点： 多模态理解与生成： MM1能够处理和理解图像和文本数据，生成与图像内容相关的文本。 大规模预训练： 通过在... 阅读全文

多模态框架VisionGPT-3D，它旨在提升三维视觉理解的能力。VisionGPT-3D通过整合现有的最佳视觉模型，自动化选择适合的算法，从而将二维图像转换为三维表示，这在计算机视觉领域是一个创新的尝试。 主要功能和特点： 多模态整合： VisionGPT-3D结合了文本和视觉信息，能够理解和处理图像中的内容，并根据... 阅读全文

Hugging Face推出数据集WebSight和一个基于视觉-语言模型（VLM）的系统Sightseer，它们旨在自动化网页截图到HTML代码的转换过程。这项技术对于网页开发者来说非常有价值，因为它可以极大地提高开发效率，尤其是在无代码（no-code）解决方案中。 主要功能和特点： WebSight数据集： 包含... 阅读全文

来自悉尼大学工程学院计算机科学学院、商汤科技研究院、中国科学技术大学的研究团队推出视觉状态空间模型（Visual State Space Model）LocalMamba，它是为了提高计算机视觉任务的性能而设计的。LocalMamba的核心思想是通过优化扫描方向来更好地捕捉图像中的局部依赖关系，同时保持全局上下文的理解... 阅读全文

来自南京大学、上海人工智能实验室OpenGVLab、复旦大学和浙江大学推出视频理解工具套件Video Mamba Suite，它是基于一种新型的架构——状态空间模型（State Space Model，简称SSM）开发的。这个套件旨在提高计算机对视频内容的理解能力，类似于我们人类观看和解释视频的方式。 主要功能和特点：... 阅读全文

SuperAGI推出新型多模态模型Veagle，它专注于如何将语言和视觉信息结合起来，以便更好地理解和处理包含文本的图像。在现实世界中，我们经常遇到包含文本的图像，比如路标、菜单或者商品包装，理解和解释这些图像中的文本对于人工智能来说是一个挑战。 GitHub：https://github.com/superagi/V... 阅读全文

来自中国科学院自动化研究所基础模型研究中心、中国科学院大学人工智能学院、鹏城实验室和武汉人工智能研究院的研究团队推出新型高分辨率多模态感知模型Griffon v2，这个模型旨在提高大型视觉语言模型（LVLMs）在处理高分辨率图像时的性能，特别是在复杂和密集场景中对细粒度对象的识别和定位。Griffon v2通过视觉和文... 阅读全文