پژوهش
LAVE: ارزیابی VQA بدون محدودیت زمانی روی Docmatix با LLMها
ما در مسیر پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق متن‌باز و علم آزاد هستیم.
پژوهش
هوش مصنوعی: دیتاست Docmatix، ۲۴۰برابر بزرگتر از DocVQA برای پاسخگویی به سوالات تصویری در مستندات
در حالی که دیتاست DocVQA با ۱۰٬۰۰۰ تصویر کمبود داشت، Hugging Face دیتاستی تحت عنوان Docmatix را معرفی کرد؛ ۲.۴ میلیون تصویر و ۹.۵ میلیون‌پایه‌پاسخ برای پیش‌بینی‌های عکس‑متن در مستندات PDF.
پژوهش
هوش مصنوعی در سرپرستی Microsoft: Fine-tuning Florence‑2 برای پاسخگویی به اسناد
مدل Florence‑2 شرکت مایکروسافت با عملکرد بالا و اندازه کوچک، امکان fine‑tuning برای DocVQA را فراهم کرده؛ این مقاله مراحل و نتایج این فرآیند را توضیح می‌دهد.
مدل‌ها
ایده‌فیکس۲: مدل هوش مصنوعی چندرسانه‌ای 8B با قابلیت OCR پیشرفته
در این خبر از هاجفیس، مدل جدید Idefics2 8B معرفی می‌شود که توانایی‌های چندرسانه‌ای پیشرفته، بهبود OCR و عملکرد برتر در سوال‑پاسخ تصویری را داراست.
پژوهش
چطور مدل‌های هوش مصنوعی بین تصاویر و متن تفسیر می‌کنند؟
در این مقاله به جایگاه بالای مدل‌های هوش مصنوعی چشمی-زبان می‌پردازیم، استراتژی‌های یادگیری، پیشرفت‌های اخیر و چشم‌اندازهای پژوهشی آن‌ها را بررسی می‌کنیم.