Jindong Gu

Foundation-Modelle wie CLIP bieten sowohl Chancen als auch versteckte Gefahren in der KI.

Ein neues Framework verbessert die Sicherheit bei der Erstellung von Bildern aus Textaufforderungen.

Dieser Artikel spricht über einen neuen Massstab, um Bilder und Text zu kombinieren, um Ereignisse in Videos zu finden.

Ein neuer Benchmark bewertet die Effektivität von Sprachmodellen in robotischen Anwendungen.

Eine neue Methode verbessert die Datensatz-Destillation und steigert die Effizienz beim Trainieren von Modellen.

In diesem Artikel werden Sicherheitsprobleme bei Text-zu-Bild-Modellen besprochen und Lösungen vorgeschlagen.

Methoden erkunden, um multimodale Modelle zu verbessern, die visuelle Fragen aufschlüsseln.

Wir stellen ein Modell vor, das spezifische Momente in langen Videos ganz einfach findet.