Shunian Chen

Novos benchmarks revelam desafios para MLLMs em tarefas do mundo real com contextos longos.

LongLLaVA melhora a compreensão de várias imagens para várias aplicações.

O método TRIM reduz os tokens de imagem em modelos de linguagem multimodal, mantendo o desempenho.

Um novo framework identifica quando modelos multimodais usam dados de treinamento inadequados.