Jindong Gu

CLIPみたいなファウンデーションモデルは、AIにおいてチャンスと隠れた危険をもたらすんだ。

新しいフレームワークがテキストプロンプトから画像を作るときの安全性を向上させる。

この記事では、動画の中でイベントを見つけるために画像とテキストを組み合わせる新しいベンチマークについて話してるよ。

新しいベンチマークがロボットアプリケーションにおける言語モデルの効果を評価する。

新しい方法がデータセットの蒸留を改善して、モデルのトレーニング効率を高めるんだ。

この記事はテキストから画像へのモデルの安全性の問題について話して、解決策を提案してるよ。

視覚的な質問を分解するためのマルチモーダルモデルを改善する方法を探ってる。

長い動画の中から特定の瞬間を簡単に見つけるモデルを紹介するよ。