#визуальное понимание

Исследование EPFL оценивает многоформатные модели, включая GPT-4o, на ключевых задачах компьютерного зрения, выявляя их сильные стороны в семантическом понимании и отставание от специализированных моделей.

MMaDA — новая унифицированная мульти-модальная диффузионная модель, которая превосходит существующие решения в задачах текстового рассуждения, визуального понимания и генерации изображений.

Skywork AI представляет R1V2 — современную мультимодальную модель с гибридным обучением с подкреплением, которая улучшает специализированное рассуждение и обобщение, превосходя многие открытые и проприетарные модели.