字節(jié)最新發(fā)布了一個強(qiáng)悍的閉源多模態(tài)大語言模型Seed1.5VL，其技術(shù)報(bào)告內(nèi)容簡非常坦誠，值得一讀。筆者將在本文帶大家按文章的寫作順序，一步步精讀這篇技術(shù)報(bào)告。概述??https:arxiv.orgabs2505.07062??Seed1.5VL由一個擁有532M參數(shù)的視覺編碼器和一個擁有20B活躍參數(shù)的MoELLM構(gòu)成，在60個多模態(tài)視覺語言模型的Benchmark中有38個達(dá)到了SOTA。在GUI、視頻理解、視覺推理中表現(xiàn)出了極強(qiáng)的性能。目前Seed1.5VL是一個商用模型，...

4k分辨率的視覺預(yù)訓(xùn)練：PS3Paper:??https:arxiv.orgabs2503.19903??Demo:??https:huggingface.cospacesbfshiVILAHDdemo??在之前介紹的高分辨率VLM系列中，我們見證了視覺語言模型，視覺編碼器逐漸從224384的固定低分辨率，通過動態(tài)切圖原生動態(tài)分辨率方法，逐漸走向了動態(tài)的高分辨率圖像輸入。想必對于讀過該系列的讀者，高分辨率在視覺領(lǐng)域的的重要性不用多說。英偉達(dá)團(tuán)隊(duì)將視覺預(yù)訓(xùn)練擴(kuò)展到了4k分辨率，提出了方法PS3...

多模態(tài)的數(shù)據(jù)通過統(tǒng)一的向量表示，可以實(shí)現(xiàn)不同模態(tài)數(shù)據(jù)的互相檢索或者理解轉(zhuǎn)換，是多模態(tài)AI應(yīng)用的基石。Jina.ai最近推出了全新的通用多語言多模態(tài)向量模型JinaCLIPv2，在實(shí)現(xiàn)強(qiáng)大跨模態(tài)檢索可能的同時，也為多模態(tài)RAG應(yīng)用奠定了基礎(chǔ)。Paper:https:arxiv.orgabs2405.20204Model:https:huggingface.cojinaaijinaclipv2概覽JinaCLIPV2是一款通用的、多語言、多模態(tài)（文本與圖像）Embedding模型多模態(tài)embedding技術(shù)能夠通過一致的...

GPTo1通過強(qiáng)化學(xué)習(xí)訓(xùn)練優(yōu)化決策策略，并模擬人類思維鏈以深入理解問題，提供更準(zhǔn)確的答案，在多個推理任務(wù)相關(guān)的榜單上實(shí)現(xiàn)了巨大的突破。而o1的思維過程是隱藏的?；梅狡煜聡a(chǎn)大模型公司DeepSeek近期預(yù)發(fā)布了R1模型，使用了強(qiáng)化學(xué)習(xí)訓(xùn)練，回復(fù)里包含大量反思和驗(yàn)證，思維鏈長度可達(dá)數(shù)萬字，并且沒有像o1一樣隱藏思維鏈。Demo:???https:chat.deepseek.com???[模型和技術(shù)報(bào)告將會開源]DeepSeekR1DeepSeekR1系列模型采用強(qiáng)...

近日，法國著名開源大模型平臺Mistral.ai，開源了一個1240億參數(shù)的超大多模態(tài)模型：PixtralLarge，在多個開源多模態(tài)評測上超越了GPT4o、Gemini1.5Pro、Claude3.5Sonnet、Llama3.2等商業(yè)模型或開源模型，成為目前最強(qiáng)的開源多模態(tài)大模型。?Demo:https:chat.mistral.aiBlog:https:mistral.ainewspixtrallargeModel:https:huggingface.comistralaiPixtralLargeInstruct2411太長不看第一梯隊(duì)的多模態(tài)性能在MathVista、DocVQA、VQAv...

最近在HuggingFace上有一個開源多模態(tài)模型引起了廣泛關(guān)注：Omnivision968M。這款模型以其不到1B參數(shù)量的小巧體積（僅968M參數(shù)量）脫穎而出，成為目前市場上最小的視覺語言模型之一。Blog:???https:nexa.aiblogsomnivision???Model:https:huggingface.coNexaAIDevomnivision968MOmnivision968M??Omnivision968M是由NexaAI這家創(chuàng)業(yè)公司推出（與國內(nèi)做CMOS聞名的同名半導(dǎo)體企業(yè)Omnivision無關(guān)）。NexaAI的愿景是打造先進(jìn)的端...

Ultralytics在YOLOVision2024活動上宣布發(fā)布其新的計(jì)算機(jī)視覺模型YOLO11。速度更快、更準(zhǔn)確。模型已于今日開源。Homepage:???https:www.ultralytics.comzhyolo???Github:???https:github.comultralyticsultralytics???YOLO11YOLO11標(biāo)志著YOLO家族的新篇章，提供了更強(qiáng)大，更多功能的模型，將計(jì)算機(jī)視覺帶到新的高度。憑借其完善的架構(gòu)和增強(qiáng)的功能，該模型支持計(jì)算機(jī)視覺任務(wù)，如姿態(tài)估計(jì)和實(shí)例分割，視覺AI社區(qū)已...

BAAI剛剛開源了Emu3多模態(tài)大模型，僅使用單個transformer，使用下一個token預(yù)測的方法從0進(jìn)行訓(xùn)練！通過將圖像、文本和視頻tokenize到一個統(tǒng)一的離散的空間中，直接通過預(yù)測下一個token實(shí)現(xiàn)文本、圖像和視頻生成。Homepage:???https:emu.baai.ac.cn????Github:???https:github.combaaivisionEmu3???Model:https:huggingface.coBAAIEmu3GenEmu3Emu3在生成和感知任務(wù)中超越了多個任務(wù)的專用模型，表現(xiàn)優(yōu)于主流開源模...

在LLM的訓(xùn)練時，由于顯存不足以支撐起大batch訓(xùn)練，通常大家都會采用一種策略：梯度累計(jì)（gradientaccumulate）。這種方法允許模型在多個batch的梯度回傳累計(jì)并求均值之后，再更新一次權(quán)重。這樣做相當(dāng)于模擬了一個更大的批量大小，而實(shí)際上并沒有一次性處理那么多數(shù)據(jù)。這樣做的好處是，它可以減少內(nèi)存的使用，因?yàn)椴恍枰淮涡约虞d所有數(shù)據(jù)到GPU上，同時也可以享受等價大batch帶來的訓(xùn)練的穩(wěn)定性和模型的泛化能力。但是近期大...

DeepSeek開源了一個僅1.3B大小的多模態(tài)大模型：Janus（兩面神），統(tǒng)一了多模態(tài)理解和生成。通過將視覺編碼解耦成獨(dú)立的pathway，同時僅使用一個統(tǒng)一的transformer架構(gòu)進(jìn)行處理。Janus在多模態(tài)理解和生成基準(zhǔn)測試中超越了以往的統(tǒng)一模型，作為一個多模態(tài)“小”模型具有顯著的優(yōu)勢。Paper:???https:arxiv.orgabs2410.13848????Github:???https:github.comdeepseekaiJanus???Model:https:huggingface.codeepseekaiJan...

如果說2023年見證了大語言模型的“寒武紀(jì)大爆發(fā)”，那么2024年則是多模態(tài)大模型“元年”。GPT4o的出現(xiàn)讓大家見識到多模態(tài)能力引入，給下游應(yīng)用生態(tài)帶來的巨大改變。隨之而來的，RAG技術(shù)也將逐漸從單語言模態(tài)的RAG進(jìn)化到多模態(tài)RAG。本文將帶大家速覽多模態(tài)RAG技術(shù)的原理及實(shí)現(xiàn)。什么是RAG什么是RAG：RetrievalAugmentedGeneration，檢索增強(qiáng)生成。是一種結(jié)合了信息檢索技術(shù)和大型語言模型提示功能的框架。它通過從數(shù)據(jù)源檢索信息...

OpenGVLab新作：VisionModelPretrainingonInterleavedImageTextDataviaLatentCompressionLearningGithub:??https:github.comOpenGVLabLCL??Paper:https:arxiv.orgabs2406.07543視覺backbone的數(shù)據(jù)瓶頸CLIP是第一個連接圖像和文本的基礎(chǔ)模型，但在大模型時代，僅憑對比學(xué)習(xí)的監(jiān)督，已經(jīng)不足夠讓下游視覺語言模型（VLM）取得足夠好的性能，尤其是在OCR等細(xì)粒度、高分辨率視覺任務(wù)上。而且這類方法通常要求圖像和文本數(shù)據(jù)嚴(yán)格...