先日、元マイクロソフトアジア研究院のビジョン計算グループ首席研究員の胡瀚氏がテンセントに入社し、混元多モーダル大規模モデルの開発を担当することが発表されました。このニュースは業界で大きな注目を集め、胡瀚氏の加入はテンセントの人工知能事業に新たな活力を与えるものと期待されています。胡瀚氏は2008年に清華大学を卒業、2014年に同大学で博士号を取得し、周杰教授に師事しました。2016年には博士論文が中国人工知能学会優秀博士論文賞を受賞するなど、高い学識を持ちます。2012年には…

「AIの母」として知られるスタンフォード大学の李飛飛教授と彼女のチームは、多モーダル大規模モデルの「空間知能」に関する研究を発表しました。この研究は、これらのモデルが空間に関する記憶と想起において初期段階の能力を備えており、局所的な世界モデルを形成する可能性を示しています。研究チームは、視覚空間知能を評価するためのツールであるVSI-Benchを開発しました。VSI-Benchには、288本の現実世界のビデオに基づいた5000以上の高品質な質疑応答ペアが含まれています。テストビデオは、居住空間、専門的な場所、工業現場など、複数の地理的な場所を網羅しています。

PaddleMIX 2.0は、百度が発表した多モーダル大規模モデル開発キットであり、多モーダルアプリケーション開発の簡素化を目指し、自動運転、スマート医療、検索エンジンなどのシナリオをサポートします。主な特長は以下のとおりです。1. **豊富なモデルライブラリ**: 画像、テキスト、ビデオ、音声に対応し、LLaVAシリーズモデルを追加、最先端技術をサポートします。2. **フルプロセス開発体験**: DataCopilotとAutoモジュールを搭載し、多モーダルモデルのトレーニングプロセスを簡素化します。3. **高性能トレーニング能力**

書生・浦語霊筆（InternLM-XComposer）2.5バージョンは、上海人工知能研究所によって開発され、長いコンテキストの入出力能力を特長としています。96Kの長さでスムーズに動作し、24Kのインターリーブされた画像テキストデータでトレーニングされています。主なアップグレードポイントには、高解像度画像の理解、詳細なビデオの理解、複数ラウンドの複数画像の対話などが含まれます。応用として、Webページの作成、高品質な画像付き記事の作成などが可能です。評価によると、16個のベンチマークテストでオープンソースの最先端モデルを上回り、重要なタスクではGPT-4V、Gemと肩を並べます。

「Lingdong」ブランドは、网易伏羲が独自開発した産業レベルの大規模モデルとAOP（人工知能操作知覚）技術理念に基づいて、丁寧に作り上げられました。ブランドの主力製品である掘削ロボットと装填ロボットは、50以上の省レベル重点プロジェクトに導入され、鉱山、港湾、ミキシングプラント、学校など、多様な用途で活用されています。