Fara-7B — новая модель для работы с компьютером, превосходящая аналогичные решения и обученная на синтетических данных.
MedSAM-3 — новая модель для сегментации медицинских изображений с текстовыми подсказками и улучшенной точностью.
Исследуем, как понимание влияет на генерацию в унифицированных мультимодальных моделях с помощью UniSandbox и методов Chain-of-Thought.
VISTA-Gym: новая среда для масштабируемого обучения VLMs с инструментами.
Изучите Agent0-VL, саморазвивающегося агента для визуально-языкового рассуждения с интеграцией инструментов.
Изучите ReDirector — метод создания видеоперезаписей любой длины с улучшенной локализацией объектов.
UltraViCo решает проблемы экстраполяции в видео трансформерах, улучшая качество и предотвращая повторяемость контента.
Изучите VQ-VA World, новый фреймворк для визуального вопросно-ответного взаимодействия с высококачественными данными.
Изучите мягкую адаптивную оптимизацию политики (SAPO) для улучшения обучения с подкреплением и повышения стабильности больших языковых моделей.
DiffSeg30k — набор данных для обнаружения редактирования AIGC с 30k изображениями и аннотациями на уровне пикселей.