Apples ReALM "ser" bilder på skärmen bättre än GPT-4
Apples ingenjörer har utvecklat ett AI-system som löser komplexa referenser till enheter på skärmen och användarkonversationer. Den lättviktiga modellen kan...
Apple visar upp MM1, sin första familj av multimodala LLM:er
Apple har ännu inte officiellt släppt en AI-modell, men ett nytt forskningsdokument ger en inblick i företagets ...
AI-app för smartphone kan upptäcka depression från ansiktsuttryck
Forskare från Dartmouth College har utvecklat MoodCapture, en smartphone-app som använder AI för att analysera ansiktsdrag för tidig upptäckt av...
Meta släpper V-JEPA, en prediktiv visionmodell
Meta har släppt V-JEPA, en prediktiv visionsmodell som är nästa steg mot Meta Chief AI Scientist Yann LeCuns ...
V* - Multimodal LLM-styrd visuell sökning som slår GPT-4V
Forskare från UC San Diego och New York University har utvecklat V*, en LLM-styrd sökalgoritm som är mycket bättre än...
Meta släpper Ego-Exo4D, ett multimodalt dataset för perception
Träning av AI-modeller som GPT-4 har mestadels förlitat sig på dataset som består av text och bilder. Meta's Ego-Exo4D multimodala uppfattningsdataset ...
Forskare använder syntetisk data för att träna AI-klassificering av bilder
För att träna en AI-bildklassificerare eller ett datorvisionssystem krävs tillgång till ett stort antal bilder. Forskare från MIT har...
Hackspett kan lösa multimodala LLM-hallucinationer
Multimodala stora språkmodeller (MLLM) som GPT-4V är riktigt bra på att analysera och beskriva bilder, men ibland hallucinerar de och...
GPT-4:s multimodala kapacitet gör den sårbar för angrepp
Den förmåga som GPT-4 har att bearbeta bilder är verkligen imponerande, men den nya kapaciteten öppnar upp modellen för...
Maskininlärning avslöjar innehållet i gamla skriftrullar och stentavlor
Luke Farritor, en 21-årig datavetenskapsstudent från University of Nebraska-Lincoln, har avslöjat texten inuti en förkolnad skriftrulle...