Xizhou Zhu

新しいアプローチで、交互に配置された画像とテキストデータからの学習が改善される。

画像とテキストを組み合わせた包括的なデータセットで、機械学習をサポートするよ。

自然言語クエリを使って動画の瞬間を見つける新しいアプローチ。

新しい方法が、選好最適化を使って言語モデルの推論スキルを向上させる。

V2PEがどのようにビジョン-言語モデルを改善して、長いコンテキストの理解を向上させるかを発見しよう。