JD.comがJoyAI-VL-Interactionをオープンソース化：非同期デュアルループ推論でリアルタイムビデオ対話の遅延を突破
JD.comのJoy未来学院は、JoyAI-VL-Interactionを正式にオープンソース化しました。革新的な非同期デュアルループ推論アーキテクチャにより、リアルタイム視覚言語モデルの動画インタラクションにおける遅延ボトルネックを克服。本記事では、Real-time Red …
296月
トピック
#Vision
Vision に関する最新ニュースと解説。
このトピックの記事
新しい順 1 / 1 ページGLM-4.6V登場：視覚認識と動作実行のシームレスな統合
GLM-4.6Vシリーズモデルが正式に発表され、クラウドの高性能とローカルの低遅延シナリオをそれぞれターゲットにした106Bと9Bの2つのバージョンが登場しました。この記事では、そのネイティブなFunction Calling機能がどのように「見る」と「行う」の境界を取り払い、長文ドキュメ …
ByteDance Vidi2登場：動画理解と生成を正確に制御するマルチモーダルモデル
ByteDance Vidi2が衝撃の登場！ByteDanceがこの大規模マルチモーダルモデルを通じて、いかにして長編動画の正確な理解と生成を実現したかを深く掘り下げます。Vidi2は「茶色のスーツを着た男性がドラムを叩いている」といった特定のイベントを正確に特定できるだけでなく、ベンチ …
Appleの異例の動き！AIモデルFastVLMをオープンソース化、しかし開発者はまだ喜ぶのは早い
Appleは最近、数ヶ月前に発表した視覚言語モデルFastVLMをHugging Faceプラットフォームで静かに公開しました。Appleは閉鎖的なエコシステムで知られているため、この動きはAIコミュニティ全体に衝撃を与えました。しかし、今回の「オープンソース」には、学術研究に限定するとい …
MiniCPM-V 4.5が登場：80億パラメータのモデル、その視覚能力は本当にGPT-4oを超えるのか？
AI界にまたビッグニュースです！OpenBMBがわずか80億パラメータの視覚言語モデルMiniCPM-V 4.5をリリースし、多くの視覚ベンチマークテストでGPT-4oやGemini Proなどの業界の巨人たちを打ち負かしたと主張しています。これは単なる誇大広告なのか、それとも本物なのでし …
AIはもうクラウドに依存しない？Liquid AIがLFM2-VLを発表、あなたのスマホが世界を理解する
常時インターネット接続が必要なAIにうんざりしていませんか？Liquid AIが発表した新しい視覚言語モデルLFM2-VLは、スマートフォンやウェアラブルなどのエッジデバイス向けに特別に設計されています。高速かつ効率的であるだけでなく、最高レベルの精度を維持し、オンデバイスAIに対する私た …
Meta AIの新たな切り札！オープンソースのDINOv3モデルは、ビジュアルAIのゲームチェンジャーとなるか？
Meta AIは最近、新世代の汎用画像認識モデルDINOv3をオープンソース化しました。強力な「自己教師あり学習」能力により、手動の注釈なしで様々な視覚タスクでトップレベルのパフォーマンスを達成します。環境モニタリングから医療画像まで、その応用可能性は世界中の開発者の間で熱い議論を呼んでい …