Haiyang Xu

新しいアプローチが視覚と言語の事前学習タスクの効率を向上させる。

TRIPSは、関連する画像パッチを選ぶことで、視覚と言語のタスクの効率を高めるよ。

この記事では、LVLMの幻覚を評価するための新しいフレームワークについて話してるよ。

MIBenchは、マルチモーダルモデルの複数の画像に対するパフォーマンスをテストするよ。

mPLUG-Owl3は画像や動画の理解を向上させて、より良い応答を提供します。

MaVEnは、AIが複数の画像を処理してより良い推論をする能力を高める。