Найдено записей: 4
'Команда Alibaba представила GUI-Owl и Mobile-Agent-v3 — мультимодальную модель и мультиагентный фреймворк для надежной автоматизации интерфейсов на мобильных и десктопных платформах.'
UniME представляет двухэтапный фреймворк, значительно улучшающий мультимодальное обучение представлений за счёт текстовой дистилляции и обучения с сложными негативами, превосходя существующие модели на множестве бенчмарков.
ViSMaP предлагает неаннотированный метод эффективного суммирования часовых видео с помощью мета-промптинга и коротких видеодатасетов, достигая результатов, сопоставимых с моделями, обученными с разметкой.
Новое исследование выявило, как ошибки в аннотациях AI-датасетов искажают оценку визуально-языковых моделей, подчеркивая необходимость улучшения практик человеческой разметки для повышения надежности моделей и снижения галлюцинаций.