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 VQ-VA World, новый фреймворк для визуального вопросно-ответного взаимодействия с высококачественными данными.

UltraViCo решает проблемы экстраполяции в видео трансформерах, улучшая качество и предотвращая повторяемость контента.

Изучите ReDirector — метод создания видеоперезаписей любой длины с улучшенной локализацией объектов.

DiffSeg30k — набор данных для обнаружения редактирования AIGC с 30k изображениями и аннотациями на уровне пикселей.

Изучите мягкую адаптивную оптимизацию политики (SAPO) для улучшения обучения с подкреплением и повышения стабильности больших языковых моделей.

SciEducator — первая многоагентная система для понимания научных видео, использующая итеративный подход и создающая мультимодальный образовательный контент.