DALL-E 3: Mejora drástica en la capacidad de razonamiento, OpenAI lidera en capacidades multimodales

Meta lanza el modelo WebSSL: una nueva exploración del aprendizaje visual sin lenguaje

En el campo de la inteligencia artificial, Meta ha presentado recientemente la serie de modelos WebSSL. Estos modelos, con tamaños que van desde 300 millones hasta 7 mil millones de parámetros, se entrenaron con datos de imágenes puras, con el objetivo de explorar el enorme potencial del aprendizaje autosupervisado visual (SSL) sin supervisión lingüística. Esta nueva investigación abre nuevas posibilidades para futuras tareas multimodales y ofrece una nueva perspectiva sobre cómo aprendemos a representar la información visual. Anteriormente, el modelo CLIP de OpenAI destacó por su rendimiento en tareas multimodales como la comprensión de preguntas visuales (VQA) y la comprensión de documentos.

Juntos, StepStar y Yuanli Lingji logran una colaboración estratégica

StepStar y Yuanli Lingji firmaron un acuerdo de cooperación estratégica en Beijing. Ambas partes aprovecharán sus respectivas ventajas tecnológicas para llevar a cabo una cooperación profunda en tecnología de modelos multimodales de lenguaje grande, agentes de terminales inteligentes y escenarios de inteligencia encarnada. El objetivo de esta cooperación es lograr "la inferencia en el mundo físico", desarrollando conjuntamente un robot inteligente llamado "RoboAgent", y promoviendo la aplicación práctica de la Inteligencia Artificial General (AGI). En la ceremonia de firma, el Dr. Jiang Daxin, fundador y CEO de StepStar, y el cofundador de Yuanli Lingji...

Kunlun Wanwei lanza la versión 2.0 de código abierto de Skywork-R1V: mejora de la capacidad de razonamiento visual y de texto

El 24 de abril, Kunlun Wanwei anunció el lanzamiento oficial de código abierto de su modelo de razonamiento multimodal Skywork-R1V2.0 (en adelante, R1V2.0). Esta versión mejorada ha logrado mejoras significativas en la capacidad de razonamiento visual y de texto, especialmente en la inferencia profunda de problemas de ciencias de la prueba de ingreso a la universidad y en escenarios de tareas generales, lo que lo convierte en el modelo multimodal de código abierto más equilibrado que combina la capacidad de razonamiento visual y de texto.

NVIDIA lanza Describe Anything: un modelo LLM multimodal que genera descripciones detalladas de áreas específicas

El equipo de IA de NVIDIA ha lanzado un revolucionario modelo de lenguaje multimodal de gran tamaño, Describe Anything 3B (DAM-3B), diseñado para generar descripciones detalladas y específicas de regiones dentro de imágenes y videos. Este modelo, gracias a su innovadora tecnología y rendimiento excepcional, ha generado un gran debate en el campo del aprendizaje multimodal y se considera un nuevo hito en el desarrollo de la IA. A continuación, AIbase destaca los puntos clave de este modelo y su impacto en la industria. El avance en descripciones regionales: DAM-3B destaca por su capacidad única de...

ByteDance lanza Vidi, un modelo multimodal que revoluciona la comprensión y edición de videos extensos

xAI lanza Grok Vision: una nueva era de interacción visual e inteligente multilingüe

Kunlun Wanwei lanza código abierto de SkyReels-V2: modelo de generación de películas de duración ilimitada

El equipo de SkyReels de Kunlun Wanwei ha lanzado oficialmente y publicado el código abierto de SkyReels-V2, el primer modelo mundial de generación de películas de duración ilimitada que utiliza el marco de forzamiento de difusión (Diffusion-forcing). Este modelo logra la optimización colaborativa mediante la combinación de modelos de lenguaje multimodal grandes (MLLM), entrenamiento previo multietapa, aprendizaje por refuerzo y el marco de forzamiento de difusión, lo que marca una nueva etapa en la tecnología de generación de video.

Interview Kickstart lanza un curso de IA generativa para ayudar a los profesionales tecnológicos a aprovechar las oportunidades futuras

En el rápido desarrollo del campo de la inteligencia artificial (IA), el conocimiento especializado de los profesionales tecnológicos se ha vuelto cada vez más importante. Interview Kickstart, con sede en Santa Clara, California, ha anunciado recientemente una actualización de su curso "IA generativa aplicada", diseñado para ayudar a los profesionales tecnológicos a adaptarse a este mercado en rápida evolución. Esta noticia coincide con el lanzamiento por parte del gigante tecnológico chino Baidu de su nueva generación de modelos de IA, Ernie4.5 y Ernie X1, lo que ha generado un gran interés en la industria. Estos dos modelos básicos multimodales de Baidu...

ByteDance lanza UI-TARS-1.5: Agente multimodal de código abierto que lidera una nueva ola en la automatización de GUI

ByteDance ha lanzado oficialmente UI-TARS-1.5 en la plataforma Hugging Face, un agente multimodal de código abierto basado en un potente modelo de lenguaje visual. Este lanzamiento marca otro gran avance de ByteDance en el campo de la interacción automatizada con IA, ofreciendo a desarrolladores y usuarios una solución de automatización de GUI (interfaz gráfica de usuario) eficiente e inteligente para múltiples plataformas. UI-TARS-1.5: Un referente innovador en agentes multimodales. UI-TARS-1.5 es la nueva versión de la serie UI-TARS de ByteDance...

Modelo de agente inteligente Seed UI-TARS-1.5 de código abierto de ByteDance

El equipo de modelos ByteDance Doubao anuncia la publicación de código abierto de UI-TARS-1.5, un agente multimodal inteligente de código abierto basado en un modelo de lenguaje visual, capaz de ejecutar eficientemente diversas tareas en el mundo virtual. Este modelo ha logrado resultados SOTA (State-of-the-Art) en siete conjuntos de datos de evaluación de interfaz gráfica de usuario (GUI) típicos, y ha demostrado por primera vez su capacidad de razonamiento a largo plazo en juegos y su capacidad de interacción en espacios abiertos. Este proyecto de código abierto marca un hito en la tecnología de agentes multimodales inteligentes para GUI