MM-Vid

微软用GPT-4V解读视频，看懂电影还能讲给盲人听，1小时不是问题

差不多已经掌握语言能力的大模型正在进军视觉领域，但具有里程碑意义的 GPT-4V 也仍有诸多不足之处，参阅《试过 GPT-4V 后，微软写了个 166 页的测评报告，业内人士：高级用户必读》。近日，微软 Azure AI 将 GPT-4V 与一些专用工具集成到一起，打造出了更强大的 MM-Vid，其不仅具备其它 LMM 的基本能力，还能分析长达一小时的长视频以及解说视频给视障人士听。世界各地的人们每天都会创造大量视频，包括用户直播的内容、短视频、电影、体育比赛、广告等等。视频是一种多功能媒介，可以通过文本、视觉和音

11/15/2023 2:46:00 PM

机器之心

资讯热榜

蚂蚁集团携手北医三院成立AI医疗联合实验室打造专属AI就医助理首个面向肽分子设计的大模型平台：直接「读序列」出结合子，无需结构输入即可生成国产AI路由系统开源逆袭！仅用19%成本达到Gemini-2.5-Pro同等性能 OpenAI豪赌5000亿美元估值神话：60亿股权大甩卖背后，GPT-5却遭用户冷遇心理学家警告:与 AI 聊天可能导致严重心理健康问题深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题网易有道发布子曰教育大模型多款AI新品，定义教育AI应用能力L1-L5分级即梦首页的大美人图风格，我今天包教包会（邪修版）！

标签云

AI 人工智能 OpenAI AIGC 模型 ChatGPT DeepSeek AI绘画谷歌机器人数据大模型 Midjourney 开源智能用户 Meta 微软 GPT 学习技术图像 Gemini 马斯克 AI创作智能体英伟达论文 Anthropic 代码训练算法 Stable Diffusion AI新词芯片 LLM 蛋白质腾讯开发者苹果生成式 Claude Agent AI for Science 神经网络 3D 机器学习研究生成 xAI 人形机器人 AI视频计算 Sora 百度 GPU AI设计华为工具大语言模型搜索 RAG 具身智能字节跳动大型语言模型场景深度学习预测伟达视觉视频生成 Transformer AGI 架构亚马逊神器推荐 Copilot DeepMind 特斯拉应用