Apples ReALM 'ser' billeder på skærmen bedre end GPT-4
Apples ingeniører har udviklet et AI-system, der løser komplekse referencer til enheder på skærmen og brugersamtaler. Den lette model kunne...
Apple afslører MM1, sin første familie af multimodale LLM'er
Apple har endnu ikke officielt frigivet en AI-model, men en ny forskningsartikel giver et indblik i virksomhedens...
AI-smartphone-app kan opdage depression ud fra ansigtssignaler
Forskere fra Dartmouth College har udviklet MoodCapture, en smartphone-app, der bruger kunstig intelligens til at analysere ansigtstræk for tidlig opdagelse af...
Meta frigiver V-JEPA, en prædiktiv synsmodel
Meta har udgivet V-JEPA, en prædiktiv synsmodel, der er det næste skridt i retning af Meta Chief AI Scientist Yann LeCuns...
V* - Multimodal LLM-styret visuel søgning, der slår GPT-4V
Forskere fra UC San Diego og New York University har udviklet V*, en LLM-styret søgealgoritme, der er meget bedre end...
Meta frigiver Ego-Exo4D, et multimodalt perceptionsdatasæt
Træning af AI-modeller som GPT-4 har for det meste været baseret på datasæt bestående af tekst og billeder. Metas Ego-Exo4D multimodale perceptionsdatasæt ...
Forskere bruger syntetiske data til at træne AI-billedklassificering
Træning af en AI-billedklassifikator eller et computersynssystem kræver adgang til et stort datasæt med billeder. MIT-forskere har...
Spætte kan løse multimodale LLM-hallucinationer
Multimodale store sprogmodeller (MLLM) som GPT-4V er virkelig gode til at analysere og beskrive billeder, men nogle gange hallucinerer de og...
GPT-4's multimodale kapacitet gør den sårbar over for angreb
GPT-4's evne til at behandle billeder er virkelig imponerende, men den nye evne åbner modellen op for...
Maskinlæring afslører indholdet af gamle skriftruller og stentavler
Luke Farritor, en 21-årig datalogistuderende fra University of Nebraska-Lincoln, har afsløret teksten inde i en karboniseret skriftrulle...