CogAgent: खुला स्रोत दृश्य भाषा मॉडल जो GUI ग्राफिकल इंटरफेस प्रश्नोत्तर का समर्थन करता है

कुनलुन वानवेई द्वारा खुला स्रोत स्काईवर्क R1V दृश्य सोच श्रृंखला अनुमान मॉडल

मूर थ्रेड ने दो प्रमुख AI ढाँचों को किया खुला स्रोत, घरेलू GPU प्रशिक्षण दक्षता में 90% की वृद्धि

मूर थ्रेड ने हाल ही में अपने दो प्रमुख कृत्रिम बुद्धिमत्ता (AI) ढाँचे, MT-MegatronLM और MT-TransformerEngine को खुला स्रोत किया है। इससे घरेलू GPU (ग्राफिक्स प्रोसेसिंग यूनिट) पर AI मॉडल के प्रशिक्षण की दक्षता में 90% तक की वृद्धि हुई है। यह घरेलू AI विकास के लिए एक महत्वपूर्ण उपलब्धि है।

चीतूप खुला स्रोत पाठ-से-चित्र मॉडल CogView4 चीनी और अंग्रेजी दोनों भाषाओं में संकेत शब्दों का समर्थन करता है

चीतूप AI का नवीनतम खुला स्रोत पाठ-से-चित्र मॉडल CogView4 आधिकारिक तौर पर लॉन्च किया गया है। CogView4 न केवल 60 करोड़ पैरामीटर तक पहुँच गया है, बल्कि यह चीनी इनपुट और चीनी पाठ से छवि निर्माण का भी पूरी तरह से समर्थन करता है, जिसे पहला खुला स्रोत मॉडल कहा जाता है जो चित्र में चीनी अक्षर उत्पन्न कर सकता है। CogView4 चीनी और अंग्रेजी दोनों भाषाओं में संकेत शब्दों के इनपुट का समर्थन करने को अपनी मुख्य विशेषता के रूप में प्रस्तुत करता है, खासकर जटिल चीनी निर्देशों को समझने और उनका पालन करने में कुशल है, जो चीनी सामग्री निर्माताओं के लिए एक वरदान है। चित्रों में चीनी अक्षर उत्पन्न करने वाला पहला खुला स्रोत पाठ-से-चित्र मॉडल होने के नाते, इसने खुले स्रोत क्षेत्र में एक बड़ी खामी को पूरा किया है।

चीज़ू ने पहला खुला स्रोत पाठ-से-चित्र मॉडल CogView4 जारी किया जो चीनी वर्ण उत्पन्न कर सकता है

बीजिंग चिज्झू हुआझांग टेक्नोलॉजी कंपनी लिमिटेड ने चीनी वर्ण उत्पन्न करने में सक्षम पहला खुला स्रोत पाठ-से-चित्र मॉडल - CogView4 लॉन्च करने की घोषणा की है। यह मॉडल DPG-बेंच बेंचमार्क टेस्ट में शीर्ष रैंक पर है, जो खुले स्रोत पाठ-से-चित्र मॉडल में SOTA (स्टेट ऑफ़ द आर्ट) बन गया है, और यह Apache2.0 लाइसेंस का अनुसरण करता है, जो इस लाइसेंस का पालन करने वाला पहला छवि निर्माण मॉडल है।

अली टोंगयी प्रयोगशाला ने खुला स्रोत दृश्य दस्तावेज़ RAG प्रणाली ViDoRAG जारी की, जिसकी सटीकता 79.4% तक पहुँच गई है

अलीबाबा के टोंगयी प्रयोगशाला ने हाल ही में ViDoRAG नामक एक खुला स्रोत दृश्य दस्तावेज़ RAG प्रणाली जारी की है। इस प्रणाली की सटीकता 79.4% तक पहुँच गई है, जो इसे इस क्षेत्र में एक अग्रणी प्रणाली बनाती है।

गूगल DeepMind ने 100 बिलियन दृश्य भाषा डेटा सेट WebLI-100B लॉन्च किया

गूगल DeepMind टीम ने आधिकारिक रूप से WebLI-100B डेटा सेट लॉन्च किया है, जो 1000 अरब चित्र - पाठ युग्मों का एक विशाल डेटा सेट है, जिसका उद्देश्य कृत्रिम बुद्धिमत्ता दृश्य भाषा मॉडल की सांस्कृतिक विविधता और बहुभाषिकता को बढ़ाना है। इस डेटा सेट के माध्यम से, शोधकर्ता विभिन्न संस्कृतियों और भाषा पर्यावरण में दृश्य भाषा मॉडल के प्रदर्शन में सुधार करने की आशा करते हैं, साथ ही विभिन्न उपसमूहों के बीच प्रदर्शन के अंतर को कम करने का प्रयास करते हैं, ताकि कृत्रिम बुद्धिमत्ता की समावेशिता बढ़ाई जा सके। दृश्य भाषा मॉडल (VLMs) को यह सीखने के लिए बड़े पैमाने पर डेटा सेट पर निर्भर रहना पड़ता है कि कैसे जोड़ना है।

VLA तकनीक द्वारा बुद्धिमान ड्राइविंग प्रतियोगिता में नेतृत्व, NVIDIA ने तेजी से बाजार हिस्सेदारी पर कब्जा करने में सहयोग किया

बुद्धिमान ड्राइविंग उद्योग में, 2025 को 'VLA का वर्ष' माना जाता है, जो एक नई तकनीकी पैटर्न के उदय का प्रतीक है। VLA, अर्थात् दृश्य-भाषा-क्रिया मॉडल (Vision-Language-Action Model), को 2023 में DeepMind द्वारा पेश किया गया था, जिसका उद्देश्य पर्यावरण को समझने और प्रतिक्रिया करने की रोबोट की क्षमता को बढ़ाना है। हाल के वर्षों में, इस तकनीक ने स्वचालित ड्राइविंग क्षेत्र में बहुत ध्यान आकर्षित किया है। पारंपरिक दृश्य भाषा मॉडल (VLM) की तुलना में, VLA का

MIT और DeepMind अनुसंधान ने यह खुलासा किया है कि दृश्य भाषा मॉडल नकारात्मक अभिव्यक्तियों को क्यों नहीं समझ पाते हैं

बहु-मॉडल कार्यों में, दृश्य भाषा मॉडल (VLMs) छवि पुनः प्राप्ति, छवि व्याख्या और चिकित्सा निदान जैसे कार्यों में महत्वपूर्ण भूमिका निभाते हैं। इन मॉडलों का लक्ष्य दृश्य डेटा को भाषा डेटा के साथ समन्वयित करना है ताकि सूचना प्रक्रिया को अधिक प्रभावी बनाया जा सके। हालांकि, वर्तमान VLMs नकारात्मकता को समझने में गंभीर चुनौतियों का सामना कर रहे हैं। नकारात्मकता कई अनुप्रयोगों में महत्वपूर्ण है, जैसे 'बिना खिड़कियों वाले कमरे' और 'खिड़कियों वाले कमरे' के बीच अंतर करना। यद्यपि VLMs ने महत्वपूर्ण प्रगति की है, लेकिन नकारात्मक कथनों को संसाधित करने में मौजूदा मॉडलों की सीमाएँ हैं।

DeepSeek-AI ओपन-सोर्स DeepSeek-VL2 श्रृंखला: 3B, 16B और 27B पैरामीटर तीन मॉडल

कृत्रिम बुद्धिमत्ता के तेजी से विकास के साथ, दृश्य और भाषा क्षमताओं का एकीकरण दृश्य भाषा मॉडलों (VLMs) में महत्वपूर्ण प्रगति का कारण बना है। ये मॉडल दृश्य और पाठ डेटा को एक साथ संसाधित और समझने के लिए डिज़ाइन किए गए हैं, और छवि विवरण, दृश्य प्रश्नोत्तर, ऑप्टिकल कैरेक्टर पहचान और मल्टी-मोडल सामग्री विश्लेषण जैसे क्षेत्रों में व्यापक रूप से उपयोग किए जाते हैं। VLMs स्वतंत्र प्रणालियों के विकास, मानव-मशीन इंटरैक्शन को बढ़ावा देने और कुशल दस्तावेज़ प्रसंस्करण उपकरणों में महत्वपूर्ण भूमिका निभाते हैं, और सफलतापूर्वक इन दो डेटा मोड के बीच की खाई को पाटते हैं। हालाँकि, उच्च-रिज़ॉल्यूशन दृश्य डेटा और विविध पाठ इनपुट के प्रसंस्करण में

एनवीडिया ने नया दृश्य भाषा मॉडल NVILA लॉन्च किया, जो GPT-4o मिनी और Llama 3.2 को पीछे छोड़ देता है

हाल ही में, एनवीडिया ने अगली पीढ़ी का ओपन विजुअल भाषा मॉडल - NVILA लॉन्च किया। यह सटीकता और दक्षता को अनुकूलित करने के लिए बनाया गया है, जो अपनी उत्कृष्ट प्रदर्शन के साथ दृश्य AI क्षेत्र में एक प्रमुख स्थान बनाता है। एनवीडिया के अनुसार, NVILA की प्रशिक्षण लागत 4.5 गुना कम हो गई है, जबकि फाइन-ट्यूनिंग के लिए आवश्यक मेमोरी 3.4 गुना कम हुई है, और प्रीफिल और डिकोडिंग में देरी लगभग 2 गुना कम हो गई है। ये आंकड़े एक अन्य बड़े दृश्य मॉडल LLaVa OneVision की तुलना में प्राप्त किए गए हैं। वीडियो बेंचमार्क के अनुसार