ページを読み込み中…
ページを読み込み中…
7件の記事
アリババのQwenチームは、AI視覚モデルが画像推論時に小さな認識誤差が多段階で蓄積する問題を解決するHopChainフレームワークを開発した。複雑な問題を個別ステップに分解し、各視覚的詳細を検証させることで、24のベンチマークのうち20で精度向上を達成した。
Google DeepMindが、2B、4B、31Bサイズの3つの視覚対応推論LLMと、26B-A4BのMixture-of-Expertsモデル、計4つのApache 2.0ライセンスのオープンモデルを発表した。同社は「パラメータあたりの知能レベルが前例ない」と強調し、小型で有用なモデルの開発が現在の研究の最重要分野の一つであることを示している。
IBMが企業文書向けに開発したGranite 4.0 3B Visionは、テキストと画像を同時処理できる小型マルチモーダルAIモデルで、文書解析の効率化を実現する。
研究者らは、高品質な画像キャプション生成の課題に対処するため、ルーブリックに基づく強化学習手法「RubiCap」を提案した。この手法は、多様性と汎化性を向上させ、大規模な注釈コストを削減することを目指している。
Thinking Machines LabがTinkerの一般提供を開始し、視覚入力機能を追加しました。