Groma

港大字节提出多模态大模型新范式，模拟人类先感知后认知，精确定位图中物体

当前，多模态大模型（MLLM）在多项视觉任务上展现出了强大的认知理解能力。然而大部分多模态大模型局限于单向的图像理解，难以将理解的内容映射回图像上。比如，模型能轻易说出图中有哪些物体，但无法将物体在图中准确标识出来。定位能力的缺失直接限制了多模态大模型在图像编辑，自动驾驶，机器人控制等下游领域的应用。针对这一问题，港大和字节跳动商业化团队的研究人员提出了一种新范式 Groma——通过区域性图像编码来提升多模态大模型的感知定位能力。在融入定位后，Groma 可以将文本内容和图像区域直接关联起来，从而显著提升对话的交

5/27/2024 3:46:53 PM

清源

资讯热榜

OpenAI 宣布印度用户可享受一年免费 ChatGPT Go 服务 LangChain V1.0 深度解析：手把手带你跑通全新智能体架构全网刷屏的「电影感」三宫格图片，教你用AI快速生成！软银豪掷225亿美元加码OpenAI，AI音乐与超级融资计划全面提速消息称软银批准对 OpenAI 追加 225 亿美元投资，助力未来上市 LLM近一半回答在扭曲真相！ChatGPT、Gemini，全部顶流模型统统中招！BBC研究：AI系统性错误把媒体拖下水，信任滑坡 OpenAI 收购苹果 “快捷指令” 原团队新创公司作为一个AI博主，我劝你先别急着用AI

标签云

AI 人工智能 OpenAI AIGC 模型 ChatGPT DeepSeek 谷歌 AI绘画机器人大模型数据 Midjourney 开源 Meta 智能微软用户 AI新词 GPT 学习技术智能体马斯克 Gemini 图像 Anthropic 英伟达 AI创作训练 LLM 论文代码算法 Agent AI for Science 芯片苹果腾讯 Stable Diffusion Claude 蛋白质开发者生成式神经网络 xAI 机器学习 3D RAG 人形机器人研究 AI视频生成大语言模型具身智能 Sora 工具 GPU 百度华为计算字节跳动 AI设计 AGI 大型语言模型搜索视频生成场景深度学习 DeepMind 架构生成式AI 编程视觉 Transformer 预测 AI模型伟达亚马逊 MCP