英伟达推出多模态大语言模型NVLM 1.0，它在视觉-语言任务上取得了突破性成果，与业界领先的专有模型（比如GPT-4o）和开源模型（比如Llama 3-V 405B和InternVL 2）相媲美。NVLM 1.0不仅在多模态任务上表现出色，还在文本任务上超越了其基础的大语言模型。 项目主页：https://nvlm-... 阅读全文

苏黎世联邦理工学院的研究人员发布论文，论文的主题是关于如何破解 Google 的 reCAPTCHA v2 系统。reCAPTCHA 是一种广泛使用的网络安全工具，它通过一系列挑战（也就是我们常说的验证码）来区分用户是真人还是自动程序（比如机器人）。Google 的 reCAPTCHA v2 是其中一种，它会用一些图像... 阅读全文

AudioBERT是一种通过基于检索的方法增强 BERT 的听觉知识的新方法，它专门设计来增强传统语言模型在听觉知识方面的不足。传统上，语言模型主要在文本数据上进行预训练，这可能导致它们在处理与声音相关的任务时缺乏一些基本的听觉常识。例如，你正在开发一个教育应用程序，旨在帮助儿童学习动物和它们的声音。使用AudioBE... 阅读全文

清华大学创新研究院、上海人工智能实验室和上海启智研究院的研究人员推出DoT框架，它是一种新型大语言模型推理框架。DoT通过构建一个有向无环图（DAG）来模拟迭代推理过程，这种结构比传统的线性或树形结构更能捕捉人类推理的复杂性。 GitHub：https://github.com/diagram-of-thought/d... 阅读全文

广东人工智能与数字经济实验室、新加坡国立大学计算机科学系、新加坡国立大学数据科学研究所和加拿大卡尔顿大学的研究人员推出一个名为Ferret的算法，它是一种用于大语言模型（LLMs）的联邦学习（FL）方法。联邦学习是一种允许在多个分散的数据源上训练模型的技术，同时保持数据隐私和减少通信开销。 GitHub：https:/... 阅读全文

西班牙巴塞罗那自治大学和意大利佛罗伦萨大学的研究人员发布论文，论文的主题是关于漫画理解（Comics Understanding），它探讨了如何利用人工智能（AI）来分析和理解漫画内容。漫画不仅包含图像，还有文字，它们共同讲述故事，这使得漫画理解成为一个跨视觉和语言的复杂任务。 GitHub：https://githu... 阅读全文

马里兰大学帕克分校和Adob​​e Research的研究人员推出一种用于零样本音频分类（Zero-Shot Audio Classification, ZSAC）的方法ReCLAP。零样本音频分类是一种技术，可以让计算机在没有直接训练数据的情况下，通过理解自然语言描述来识别不同类型的声音。例如，你正在制作一个关于城市... 阅读全文

清华大学和腾讯AI实验室的研究人员推出音频恢复模型Apollo，它专门设计用于改善压缩音频的质量。例如，你正在听一首因为文件压缩而音质受损的歌曲，Apollo的目标就是让这首歌听起来尽可能地接近原始无损音质。 项目主页：https://cslikai.cn/Apollo GitHub：https://github.co... 阅读全文

蔚蓝海岸大学、拉瓦尔大学和Adob​​e 研究中心的研究人员推出一种名为“使用多照明合成的扩散方法对辐射场进行重新照明（A Diffusion Approach to Radiance Field Relighting using Multi-Illumination Synthesis）”的技术。这是一种先进的计算机... 阅读全文

上海科技大学的研究人员推出一种名为“Robust Dual Gaussian Splatting”的技术，用于创建沉浸式的、以人为中心的体积视频。这项技术可以让我们像在虚拟现实世界中一样，全方位地观看和体验数字化的人类表演。 项目主页：https://nowheretrix.github.io/DualGS 主要功能：... 阅读全文

英伟达最新推出了一款名为 Nemotron-Mini-4B-Instruct的小型语言模型（SLM），这在公司长期致力于人工智能创新的历程中开启了新的篇章。这款专为角色扮演、增强式检索生成（RAG）和功能调用等任务设计的模型，是 英伟达 更大型模型的精简而高效版本。现在，让我们深入了解 Nemotron-Mini-4B... 阅读全文

香港大学的研究人员推出SyncOOD，它是一种用于改善目标检测模型在面对未知或非训练集中类别（即“离群点”或“OOD”对象）时的性能的技术。SyncOOD通过利用大规模开放数据集训练的生成模型来合成OOD样本，从而增强OOD目标检测。 GitHub：https://github.com/CVMI-Lab/SyncOOD... 阅读全文