Jinghui Lu

VisLingInstructは、モデルがテキストと画像を統合する能力を向上させるよ。

テキストとレイアウトをうまく組み合わせて、文書理解を向上させる新しいモデルを紹介するよ。

新しいアプローチが動的トークンシステムで動画分析を改善する。