Can Huang

Il nuovo dataset Square-10M migliora notevolmente le capacità di risposta a domande visive open-source.

Presentiamo un nuovo modello che combina in modo efficiente testo e layout per una migliore comprensione dei documenti.

ParGo migliora la comprensione delle immagini e del testo bilanciando visioni globali e parziali.

Un nuovo approccio migliora l'analisi video con sistemi di token dinamici.