核心技術(shù)包括自然語言處理（NLP）、機(jī)器視覺（CV）、語音識別（SR）等方向，團(tuán)隊結(jié)合其對多模態(tài)數(shù)據(jù)理解、樣本對抗等方法，自主研發(fā)了反AI檢測算法框架，形成了業(yè)界先進(jìn)的反AI檢測體系，在內(nèi)部多模態(tài)測試數(shù)據(jù)集上的實際準(zhǔn)確率，超過99%...這套內(nèi)核是其在軍工領(lǐng)域深耕的成果，比如智
......
111本文由站長之家用戶投稿發(fā)布于站長之家平臺，本平臺僅提供信息索引服務(wù)。為了保證文章信息的及時性，內(nèi)容觀點的準(zhǔn)確性，平臺將不提供完全的內(nèi)容展現(xiàn)，本頁面內(nèi)容僅為平臺搜索索引使用。需閱讀完整內(nèi)容的用戶，請查看原文，獲取內(nèi)容詳情。
（推廣）
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))均為站長傳媒平臺用戶上傳并發(fā)布，本平臺僅提供信息存儲服務(wù)，對本頁面內(nèi)容所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任，相關(guān)信息僅供參考。站長之家將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。任何單位或個人認(rèn)為本頁面內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，可及時向站長之家提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明（點擊查看反饋聯(lián)系地址）。本網(wǎng)站在收到上述法律文件后，將會依法依規(guī)核實信息，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。
由DeepMind、Google、百度和Meta的研究人員共同創(chuàng)立的AI創(chuàng)企Reka，最近宣布了最新產(chǎn)品一款多模態(tài)AI助手Yasa-1。這款助手被設(shè)計成可以理解和互動文本、圖像、視頻和音頻等多種媒體形式，被認(rèn)為有望成為OpenAI的ChatGPT的競爭對手。Yasa-1的發(fā)布標(biāo)志著多模態(tài)AI助手領(lǐng)域的競爭愈發(fā)激烈，預(yù)示著未來AI助手將在不同媒體類型之間進(jìn)行更多復(fù)雜的交互，為用戶提供更多有趣和實用的功能。
據(jù)TheInformation報道，知情人士透露，鑒于谷歌上周開始向部分企業(yè)測試其多模態(tài)大模型Gemini，OpenAI希望搶占先機(jī)，推出自己的多模態(tài)AI系統(tǒng)。OpenAI在3月份推出語言模型GPT-4時曾預(yù)覽了多模態(tài)功能，但至今僅向為盲人提供服務(wù)的BeMyEyes公司開放。AI領(lǐng)域兩大巨頭互相競爭有利于行業(yè)技術(shù)進(jìn)步，消費者也將從中受益。
“與歷屆亞運(yùn)會相比，杭州亞運(yùn)會很可能是最智能的一屆?！笔莵唺W理事會代理總干事維諾德在接受媒體訪問時的評價。期待這些黑科技產(chǎn)品逐漸滲透到普通用戶的生活中，為我們的生活帶來更多便利、效率和可持續(xù)性。
OpenAI在美東時間9月25日宣布對ChatGPT進(jìn)行重磅升級，實現(xiàn)了看圖、聽聲音、輸出語音內(nèi)容的三大功能，為通用人工智能邁出重要一步。DeepMind研究:LLMs在圖像和音頻壓縮方面出色表現(xiàn)Google旗下的DeepMind研究人員發(fā)現(xiàn)，大型語言模型除了在文本領(lǐng)域表現(xiàn)出色在圖像和音頻數(shù)據(jù)的壓縮方面具備出色能力，超越了專用的壓縮算?
蘋果AI/ML團(tuán)隊與哥倫比亞大學(xué)合作研發(fā)的多模態(tài)大模型“雪貂”已經(jīng)成功突破了谷歌人機(jī)驗證碼的難題，能夠輕松識別圖像中的交通信號燈并準(zhǔn)確圈出其位置，其性能直逼GPT-4V。Ferret的關(guān)鍵在于改進(jìn)了大模型在“看說答”任務(wù)中的精確度，這得益于其出色的圖文關(guān)聯(lián)能力。通過這一研究，F(xiàn)erret為解決圖像理解和多模態(tài)任務(wù)提供了新的方向，有望在人機(jī)交互、智能搜索等領(lǐng)域取得
隨著GPT-4的發(fā)布，多模態(tài)大模型成為熱點。業(yè)界常將視覺編碼器與語言模型集成構(gòu)建MLLM。模型設(shè)計和訓(xùn)練技巧仍需進(jìn)一步優(yōu)化，以平衡不同能力之間的權(quán)衡。
北京交通大學(xué)等機(jī)構(gòu)聯(lián)合推出了新多模態(tài)大模型MMICL。它支持文本、圖像、視頻三種模態(tài)的混合輸入，在多項多模態(tài)能力評測中表現(xiàn)搶眼。隨著其性能和適用場景的不斷優(yōu)化，MMICL有望成為多模態(tài)領(lǐng)域的新寵。
9月21日凌晨，OpenAI在官網(wǎng)宣布，在今年10月份將通過API向ChatGPTPlus和企業(yè)版用戶提供全新文本生成圖片產(chǎn)品——DALL·E3。ChatGPT在DALL·E3加持下將開啟久違的多模態(tài)輸出模式，用戶通過文本就能直接在ChatGPT中生成各種類型圖片。從展示可以看出，DALL·E3可以生成寫實、二次元、平面、創(chuàng)意、朋克、3D等多種類型的圖片。
隨著視覺與語言的深度融合，文本圖像理解成為多模態(tài)領(lǐng)域的新方向。文章介紹了一個突破性的多模態(tài)模型KOSMOS-2.5，它在處理文本密集圖像上展現(xiàn)強(qiáng)大能力。目標(biāo)是進(jìn)一步提升對文本圖像的解釋生成能力，將KOSMOS-2.5應(yīng)用于更多實際場景，如文檔處理、信息抽取等，從使語言模型真正具備「讀圖識文」的能力。
9月20日，生數(shù)科技發(fā)布了自主研發(fā)的多模態(tài)通用大模型，并同時推出了兩款應(yīng)用產(chǎn)品:視覺創(chuàng)意設(shè)計平臺PixWeaver和3D資產(chǎn)創(chuàng)建工具VoxCraft。生數(shù)科技的多模態(tài)通用大模型采用底層融合的思路，將Transformer架構(gòu)引入擴(kuò)散模型，實現(xiàn)文本、圖像、3D、視頻等多模態(tài)知識的融合。生數(shù)科技的大模型還面向游戲制作、影視制作、廣告營銷等多個行業(yè)提供服務(wù)能力，支持各類創(chuàng)意內(nèi)容的生成。
