Ludwig Schmidt

この研究は、言語モデルのトレーニングを最適化して、実際のパフォーマンスを予測することに焦点を当てているんだ。

この研究は、テキストから画像生成の空間的精度を向上させることに焦点を当ててるよ。

研究によると、CLIPは画像認識で疑わしい特徴に依存しているらしい。

非英語のデータを含めることで、視覚言語モデルのパフォーマンスと文化理解が向上する。

VLMは画像分類が苦手だけど、データ統合をうまくやれば能力がアップするよ。

言語モデルを活用すると、さまざまな分野で表形式データの予測が向上するんだ。

MINT-1Tは、マルチモーダルモデルをトレーニングするための最大のオープンソースデータセットだよ。

限られたリソースで言語モデルのトレーニングを改善するガイド。

新しい手法が合成データの質を向上させて、言語モデルの整合性を良くする。

xGen-MMは、画像とテキストの学習をより良くするためにマルチモーダルモデルを強化するんだ。

KALEは、より良い理解のために画像と豊かなキャプションを組み合わせるよ。