15 जनवरी 2025 को, बीजिंग चाँद के अंधेरे पक्ष प्रौद्योगिकी कंपनी ने नया बहु-मॉडल चित्र समझने वाला मॉडल moonshot-v1-vision-preview आधिकारिक रूप से प्रकाशित किया, जो moonshot-v1 मॉडल श्रृंखला की बहु-मॉडल क्षमताओं को पूरा करता है और Kimi को दुनिया को बेहतर समझने में मदद करता है। विज़न मॉडल में शक्तिशाली चित्र पहचानने की क्षमता है, यह चित्र में जटिल विवरणों और सूक्ष्म अंतरों को सटीक रूप से पहचान सकता है, चाहे वह खाना हो या जानवर, यह समान लेकिन भिन्न वस्तुओं में अंतर कर सकता है। उदाहरण के लिए, 16

चंद्रमा के अंधेरे पक्ष ने आज एक नया दृश्य सोच मॉडल k1 जारी करने की घोषणा की। यह मॉडल प्रेरक अध्ययन तकनीक पर आधारित है, जो न केवल एंड-टू-एंड चित्र समझ का समर्थन करता है, बल्कि विचार श्रृंखला तकनीक को भी एकीकृत करता है, जिससे इसकी क्षमताएं गणित के अलावा अधिक मौलिक विज्ञान के क्षेत्रों में फैल गई हैं, जिसमें भौतिकी और रसायन शास्त्र शामिल हैं। मानक क्षमता परीक्षण में, k1 मॉडल का प्रदर्शन वैश्विक नेतृत्व वाले बेंचमार्क मॉडल जैसे OpenAI के o1, GPT-4o और Claude3.5Sonnet से आगे है।

आज की तकनीकी दुनिया में, CLIP (Contrastive Language-Image Pre-training) एक महत्वपूर्ण मल्टी-मोडल आधार मॉडल है। यह बड़े पैमाने पर छवि-टेक्स्ट जोड़ों में प्रतिक्रियात्मक अध्ययन हानि का उपयोग करके दृश्य संकेतों और पाठ संकेतों को साझा विशेषता स्थान में जोड़ता है। CLIP एक शोधक के रूप में, शून्य-शॉट वर्गीकरण, पहचान, विभाजन और छवि-टेक्स्ट खोज जैसी कई कार्यों का समर्थन करने में सक्षम है। साथ ही, एक विशेषता निकालने वाले के रूप में, यह लगभग हर

एप्पल कंपनी ने हाल ही में अपने मल्टी-मोडल आर्टिफिशियल इंटेलिजेंस मॉडल MM1 के लिए एक महत्वपूर्ण अपडेट जारी किया है, जिससे इसे MM1.5 संस्करण में अपग्रेड किया गया है। यह अपडेट केवल एक साधारण संस्करण संख्या परिवर्तन नहीं है, बल्कि यह एक व्यापक क्षमता वृद्धि है, जिससे मॉडल विभिन्न क्षेत्रों में और भी शक्तिशाली प्रदर्शन दिखा रहा है। MM1.5 का मुख्य अपडेट इसका नवीन डेटा प्रोसेसिंग तरीका है। यह मॉडल डेटा-केंद्रित प्रशिक्षण पद्धति को अपनाता है, जिसमें प्रशिक्षण डेटा सेट को सावधानीपूर्वक छाना और अनुकूलित किया गया है। विशिष्ट रूप से, MM1.5 ने उच्च-परिभाषा OCR डेटा और सिंथेटिक इमेज डिस्क्रिप्शन का उपयोग किया है, साथ ही साथ अनुकूलन भी किया है।

अलीबाबा की दामो学院 की通义千问 टीम ने 30 अगस्त, 2024 को अपने नवीनतम परिणाम - Qwen2-VL मॉडल के महत्वपूर्ण अपडेट की घोषणा की। Qwen2-VL मॉडल ने चित्र समझ, वीडियो प्रसंस्करण और बहुभाषा समर्थन के क्षेत्रों में महत्वपूर्ण उन्नति की है, जो प्रमुख प्रदर्शन मापदंडों के लिए नए मानक निर्धारित करता है।