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

我国首个发电行业大模型“擎源”发布，模型参数达千亿级别 Bilibili开源动漫视频生成模型AniSora V3版，一键生成多种风格动漫视频镜头 xAI控制台新增Grok4及Grok4Code引用，标志着下一代AI模型即将发布 Chai Discovery发布Chai- 2 模型：零样本抗体设计突破16-20%命中率不再单一依赖英伟达，消息称 OpenAI 首次采用谷歌 AI 芯片训练 ChatGPT Gemini2.5Pro API 免费回归，开发者社区热烈响应阿里Ovis-U1震撼发布：多模态AI三合一，开源赋能全球开发者 OpenAI 高管回应 Meta 挖角潮：正积极留人，将“重新调整”薪酬

标签云

人工智能 AI OpenAI AIGC 模型 ChatGPT DeepSeek AI绘画谷歌数据机器人大模型 Midjourney 用户智能开源微软 Meta GPT 学习图像技术 Gemini AI创作马斯克论文 Anthropic 代码英伟达算法 Stable Diffusion 芯片智能体训练开发者生成式腾讯蛋白质苹果神经网络 3D 研究生成 AI新词 Claude 机器学习计算 LLM Sora AI设计 AI for Science AI视频 GPU 人形机器人 xAI 百度华为搜索大语言模型场景 Agent 字节跳动预测深度学习伟达大型语言模型工具 Transformer 视觉 RAG 神器推荐模态 Copilot 亚马逊具身智能 LLaMA 文本算力驾驶 API