Найдено записей: 4
Hugging Face открывает FineVision — большой мультимодальный датасет на 24,3 млн сэмплов, который повышает точность VLM и минимизирует утечку данных.
ByteDance представила VGR — мультимодальную модель, которая динамически интегрирует визуальную информацию в процесс рассуждения, значительно улучшая точность и эффективность на бенчмарках зрения и языка.
VeBrain представляет единую мультимодальную систему ИИ, которая сочетает визуальное рассуждение и управление роботами, демонстрируя выдающиеся результаты в сложных реальных задачах.
Бенчмарк PHYX выявляет ключевые слабые места в способности современных мультимодальных моделей ИИ выполнять физическое рассуждение, подчеркивая сложность интеграции визуальных данных с символическими и причинными знаниями.