研究团队采用了一种基于评分的评估方式（VQAScore），通过调整同一问题下两个不同选项的得分差，确保模型在回答「是」和「否」时的比例保持一致。仅凭这一简单调整，像 GPT-4o 这样的强大模型的表现几乎翻了两倍！

驾驶员仍然可以根据自己的喜好和驾驶条件选择是否开启或关闭系统。 对于那些搭载电子油门的老款车辆，像AUTO-BLiP这样的后市场解决方案提供了一种经济实惠的方式来添加类似功能。这些设备插入汽车的OBDII接口，根据检测到的刹车和离合器踏板输入生成油门 ...

最近，Salesforce AI 研究团队推出了一款全新的多模态语言模型 ——BLIP-3-Video。随着视频内容的快速增加，如何高效处理视频数据成为了一个亟待解决的问题。这款模型的出现，旨在提升视频理解的效率和效果，适用于从自动驾驶到娱乐等各个行业。 传统的视频 ...

微软近期推出的屏幕内容解析工具OmniParser，本周跃居人工科技开源平台HuggingFace最受欢迎模型榜首。据HuggingFace联合创始人兼首席执行官Clem Delangue表示，这是该领域首个获此殊荣的解析工具。

随着人工智能的快速发展，多模态等前沿科技吸引了一大批金融企业抢先布局。在多模态领域，度小满近年来持续加快技术创新步伐，不断提升自身的技术实力。针对多模态，度小满还联合哈尔滨工业大学共同研发推出SmartTrim，推动多模态技术在金融各大业务场景中落地 ...

【新智元导读】科幻中的贾维斯，已经离我们不远了。Claude 3.5接管人类电脑掀起了人机交互全新范式，爆料称谷歌同类Project Jarvis预计年底亮相。AI操控电脑已成为微软、苹果等巨头，下一个发力的战场。 AI接管人类电脑，就是下一个未来！

一夕之间，“开源无国界”这句被很多人提及了多年的 Slogan 被蒙上了沉重的阴影。起因是一周前，Linux 社区在没有提前通知的情况下，突然除名了 11 位俄罗斯开发人员。 事件经过多日发酵，据俄罗斯当地媒体 RBK ...

研究人员使用GPT-4o构造了一个包含7000对「图标-描述」的数据集，并在数据集上微调了一个BLIP-v2模型，结果也证明了该模型在描述常见应用图标时 ...

研究人员使用GPT-4o构造了一个包含7000对「图标-描述」的数据集，并在数据集上微调了一个BLIP-v2模型，结果也证明了该模型在描述常见应用图标时更加可靠。 为了测试GPT-4V模型正确预测边界框描述所对应的标签ID的能力，研究人员手工制作了一个名为SeeAssign的 ...