Tag
上海交大、上海AILab和港中文大学的研究人员推出Visual-RFT（视觉强化微调）开源项目，该项目仅需少量数据即可显著提升视觉语言大模型（LVLM）性能。Visual-RFT巧妙地将DeepSeek-R1的基于规则奖励的强化学习方法与OpenAI的强化微调（RFT）范式相结合，成功地将这一方法从文本领域扩展到视觉领域。
查看更多 2026-07-02
突破性进展：无编码器3D多模态大模型ENEL问世！这项由上海AILab、西北工业大学、香港中文大学和清华大学等机构联合研发的ENEL模型，将无编码器多模态大模型拓展到了3D领域，实现了对不同点云分辨率的适应性，并彻底摆脱了对预训练编码器的依赖。ENEL在Objaverse基准测试中表现卓越，性能超越了当前最先进的ShapeLLM-13B模型。
查看更多 2026-07-02
4秒看完2小时电影，阿里团队新成果正式亮相——推出通用多模态大模型mPLUG-Owl3，专门用来理解多图、长视频。具体来说，以LLaVA-Next-Interleave为基准，mPLUG-Owl3将模型的FirstTokenLatency缩小了6倍，且单张A100能建模的图像数目提升了8倍，达到了400张图片，实测4秒就能看完一部2小时的电影。换句话说，模型的推理效率有了极大提升。
查看更多 2026-05-24
音位互联网内容的爆炸性增长，视频搜索以成为信息检索领域的重要应用。传统的视频搜索方法主要依赖于帧间差异进行场景分割， 这种方法容易受到光照变化等外部因素的干扰，导致搜索后来啊的不准确。为了解决这些问题，本文提出了一种基于CLIP技术的了文本与图像的联合表示，为视频搜索提供了全新的视角。 同过采用适当的算法和技术架构， 并不断优化系统的各个部分，我们可依实现梗加智嫩、高效的视频搜索功嫩。
查看更多 2026-03-12
Demand feedback
