Can Huang

Nuevo modelo mejora el seguimiento y reconocimiento de texto en contenido de video.

El nuevo conjunto de datos Square-10M mejora significativamente las capacidades de respuesta a preguntas visuales de código abierto.

Presentando un nuevo modelo que combina texto y diseño de manera eficiente para una mejor comprensión de documentos.

ParGo mejora la comprensión de imágenes y texto al equilibrar vistas globales y parciales.

Un nuevo enfoque mejora el análisis de video con sistemas de tokens dinámicos.