De acordo com um relatório da Webmaster House em 12 de outubro, a equipe de IA / ML da Apple e a equipe de pesquisa da Universidade de Columbia desenvolveram um modelo multimodal grande "Ferret" que pode encontrar com precisão semáforos em imagens, que funciona melhor do que o GPT-4V e melhora a precisão de modelos grandes em tarefas de "olhar, falar, responder". A principal inovação de Ferret reside na estreita combinação de compreensão espacial de referência e fundamentação, permitindo que o modelo compreenda a semântica de uma determinada região e encontre o alvo correspondente ao mesmo tempo.
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
De acordo com um relatório da Webmaster House em 12 de outubro, a equipe de IA / ML da Apple e a equipe de pesquisa da Universidade de Columbia desenvolveram um modelo multimodal grande "Ferret" que pode encontrar com precisão semáforos em imagens, que funciona melhor do que o GPT-4V e melhora a precisão de modelos grandes em tarefas de "olhar, falar, responder". A principal inovação de Ferret reside na estreita combinação de compreensão espacial de referência e fundamentação, permitindo que o modelo compreenda a semântica de uma determinada região e encontre o alvo correspondente ao mesmo tempo.