Can Huang

Novo modelo melhora o rastreamento e reconhecimento de texto em conteúdo de vídeo.

Novo conjunto de dados Square-10M dá um baita upgrade nas capacidades de perguntas visuais em código aberto.

Apresentando um novo modelo que junta texto e layout de um jeito eficiente pra entender documentos melhor.

ParGo melhora a compreensão de imagens e textos ao equilibrar visões globais e parciais.

Uma nova abordagem melhora a análise de vídeos com sistemas de tokens dinâmicos.