Chat-UniVi
训练130亿大模型仅3天，北大提出Chat-UniVi统一图片和视频理解
北京大学和中山大学等机构研究者提出了统一的视觉语言大模型 ——Chat-UniVi。通过构建图片和视频统一表征，该框架使得一个 LLM 能够在图片和视频的混合数据下训练，并同时完成图片和视频理解任务。更重要的是，该框架极大降低了视觉语言模型训练和推理的开销，使得在三天以内即可训练出具有 130 亿参数的通用视觉语言大模型。Chat-UniVi 模型在图片和视频的下游任务中都取得了卓越的性能。所有代码、数据集和模型权重均已开源。论文地址： 地址： 地址： 地址： 图 1 Chat-UniVi 在图片
11/29/2023 2:34:00 PM
机器之心
- 1
资讯热榜
罗永浩 Jarvis 初创项目“J1 Assistant AI 助理”上线，利用语音与大模型互动
类 Mac Mini 大小的个人 AI 超算：英伟达 Project Digits 发布，起价 3000 美元
3 到 5 秒即可同声传译 40 余种语言，时空壶推出 W4 Pro 实时翻译耳机
GPT-4o最自私，Claude更慷慨！DeepMind发布全新「AI道德测试」
OpenAI最大秘密，竟被中国研究者破解？复旦等惊人揭秘o1路线图
全网都在扒的DeepSeek团队，是清北应届生撑起一片天
【LLM&Agent】PPTAgent：PPT自动生成Agent框架
奥特曼回应一切：宫斗、马斯克、ChatGPT两周年
标签云
AI
模型
人工智能
AIGC
OpenAI
AI绘画
ChatGPT
机器人
数据
生成
训练
谷歌
视频
智能
学习
Midjourney
GPT
大模型
用户
AI创作
LLM
图像
微软
开源
技术
Meta
论文
Stable Diffusion
生成式
算法
蛋白质
芯片
马斯克
计算
神经网络
AI设计
Gemini
Sora
研究
腾讯
课程
代码
开发者
场景
伟达
3D
GPU
预测
模态
Transformer
华为
文本
驾驶
英伟达
神器推荐
机器学习
AI视频
语言
干货合集
LLaMA
深度学习
2024
算力
搜索
视频生成
苹果
科技
AI应用场景
应用
百度
写作
特斯拉
机器
安全
具身智能
Copilot
AI for Science
语音
prompt
视觉