Can Huang

Das neue Dataset Square-10M verbessert die Open-Source-Fähigkeiten im Bereich visuelle Fragen und Antworten erheblich.

Wir stellen ein neues Modell vor, das Text und Layout effizient kombiniert, um das Verständnis von Dokumenten zu verbessern.

ParGo verbessert das Verständnis von Bildern und Texten, indem es globale und partielle Ansichten ausgleicht.

Ein neuer Ansatz verbessert die Videoanalyse mit dynamischen Token-Systemen.