LaVIT
ICLR 2024｜把图像视为外语，快手、北大多模态大模型媲美DALLE-3
动态视觉分词统一图文表示，快手与北大合作提出基座模型 LaVIT 刷榜多模态理解与生成任务。当前的大型语言模型如 GPT、LLaMA 等在自然语言处理领域取得了显著进展，能够理解和生成复杂的文本内容。但你是否想过，如果能够将大语言模型这强大的理解和生成能力迁移到多模态数据上，就可以轻松理解海量的图像与视频，并辅助创作图文并茂的内容。近期，来自快手和北大合作的最新多模态大模型 LaVIT, 正在让这个想法逐步变为现实。论文标题：Unified Language-Vision Pretraining in LLM wi
1/30/2024 2:48:00 PM
机器之心
- 1
资讯热榜
DeepSeek R1 简易指南：架构、本地部署和硬件要求
DeepSeek 全面指南：95% 的人都不知道的九个技巧
DeepSeek开源多模态模型Janus-Pro的ComfyUI使用教程，文中附模型和工作流下载
DeepSeek + IDEA！辅助编程太强了！
冲击DeepSeek R1，谷歌发布新一代Gemini全型号刷榜，编程、物理模拟能力炸裂
DeepSeek V3 和 R1 模型完成海光 DCU 国产化适配并正式上线
DeepSeek日活用户数突破2000万，增长势头远超ChatGPT
不到140块！李飞飞团队超低成本复刻DeepSeek R1推理！16张H100只训练了26分钟，与R1训练方法不同！
标签云
人工智能
AIGC
OpenAI
AI绘画
ChatGPT
机器人
数据
谷歌
智能
学习
大模型
Midjourney
GPT
用户
AI创作
微软
图像
开源
Meta
技术
论文
Stable Diffusion
生成式
算法
蛋白质
AI
马斯克
芯片
DeepSeek
Gemini
计算
神经网络
代码
AI设计
研究
Sora
腾讯
3D
开发者
场景
GPU
伟达
预测
英伟达
模态
华为
机器学习
Transformer
文本
驾驶
神器推荐
AI视频
深度学习
AI for Science
干货合集
搜索
LLaMA
算力
苹果
视频生成
2024
科技
百度
Copilot
应用
模型
AI应用场景
安全
具身智能
写作
特斯拉
机器
字节跳动
视觉
语音
Anthropic
AGI
架构
prompt
英特尔