AI在线 AI在线

多模态大语言模型

昆仑万维开源SkyReels-V2：无限时长电影生成模型

昆仑万维开源SkyReels-V2：无限时长电影生成模型
昆仑万维 SkyReels 团队正式发布并开源了 SkyReels-V2，这是全球首个使用扩散强迫（Diffusion-forcing）框架的无限时长电影生成模型。 该模型通过结合多模态大语言模型(MLLM)、多阶段预训练、强化学习和扩散强迫框架来实现协同优化，标志着视频生成技术迈入了一个新的阶段。 SkyReels-V2的发布旨在解决现有视频生成技术在提示词遵循、视觉质量、运动动态和视频时长协调上的重大挑战。
4/21/2025 12:00:58 PM
AI在线
微软推出 GeoMap-Bench，助力地质图理解的智能化

微软推出 GeoMap-Bench，助力地质图理解的智能化
在地质科学领域，地质图是理解地球表面及地下结构的关键工具。 然而，解读这些复杂的图表需要专业知识和丰富的经验。 为了提升这一领域的智能化水平，微软亚洲研究院近日推出了一个新基准集 GeoMap-Bench，专门用于评估多模态大语言模型（MLLMs）在地质图理解方面的表现。
3/24/2025 3:58:00 PM
AI在线
阿里国际开源Ovis2系列多模态大语言模型 共有六个版本

阿里国际开源Ovis2系列多模态大语言模型 共有六个版本
2025 年 2 月 21 日，阿里巴巴国际化团队宣布其新型多模态大语言模型Ovis2 系列正式开源。 Ovis2 是阿里巴巴国际化团队提出的Ovis系列模型的最新版本。 与前序1.
2/21/2025 5:23:00 PM
AI在线
让大模型理解手机屏幕，苹果多模态Ferret-UI用自然语言操控手机

让大模型理解手机屏幕，苹果多模态Ferret-UI用自然语言操控手机
此次，苹果提出的多模态大语言模型（MLLM） Ferret-UI ，专门针对移动用户界面（UI）屏幕的理解进行了优化，其具备引用、定位和推理能力。移动应用已经成为我们日常生活的一大重要组成部分。使用移动应用时，我们通常是用眼睛看，用手执行对应操作。如果能将这个感知和交互过程自动化，用户也许能获得更加轻松的使用体验。此外，这还能助益手机辅助功能、多步 UI 导航、应用测试、可用性研究等。为了在用户界面内实现感知和交互的无缝自动化，就需要一个复杂的系统，其需要具备一系列关键能力。这样一个系统不仅要能完全理解屏幕内容，还
5/20/2024 2:58:00 PM
机器之心
能力与可信度可以兼得？GPT-4、Gemini等多模态大模型评测报告来了

能力与可信度可以兼得？GPT-4、Gemini等多模态大模型评测报告来了
2023 年我们正见证着多模态大模型的跨越式发展，多模态大语言模型（MLLM）已经在文本、代码、图像、视频等多模态内容处理方面表现出了空前的能力，成为技术新浪潮。以 Llama 2，Mixtral 为代表的大语言模型（LLM），以 GPT-4、Gemini、LLaVA 为代表的多模态大语言模型跨越式发展。然而，它们的能力缺乏细致且偏应用级的评测，可信度和因果推理能力的对比也尚存空白。近日，上海人工智能实验室的学者们与北京航空航天大学、复旦大学、悉尼大学和香港中文大学（深圳）等院校合作发布 308 页详细报告，对 G
3/1/2024 2:46:00 PM
机器之心
  • 1