H2O.ai a récemment annoncé le lancement de deux nouveaux modèles de langage visuel conçus pour améliorer l'efficacité des tâches d'analyse de documents et de reconnaissance optique de caractères (OCR). Ces deux modèles, H2OVL Mississippi-2B et H2OVL-Mississippi-0.8B, affichent des performances remarquables par rapport aux modèles des grandes entreprises technologiques, offrant potentiellement des solutions plus efficaces aux entreprises confrontées à des flux de travail de traitement de documents importants. H2OVL Mississipp

L'équipe d'IA de l'Université Tsinghua a publié CogAgent, un nouveau modèle de langage visuel axé sur la compréhension et la navigation des interfaces graphiques utilisateur (GUI). CogAgent utilise un système à double encodeur pour traiter les éléments GUI et le texte complexes, et excelle dans le traitement des entrées haute résolution de 1120x1120 pixels. Le modèle surpasse les méthodes LLM existantes dans les tâches de navigation GUI sur PC et Android, tout en affichant d'excellentes performances sur les benchmarks de questions-réponses texte et visuelles. Les applications potentielles incluent l'automatisation des GUI.