在多模态任务中，视觉语言模型（VLMs）起着至关重要的作用，如图像检索、图像说明和医学诊断等。这些模型的目标是将视觉数据与语言数据进行对齐，以实现更高效的信息处理。然而，目前的 VLMs 在理解否定方面仍面临重大挑战。否定在许多应用中至关重要，例如区分 “没有窗户的房间” 和 “有窗户的房间”。尽管 VLMs 取得了显著进展，但在处理否定陈述时，现有模型的表现却大幅下降。这种限制尤其在安全监控和医疗保健等高风险领域中显得尤为重要。现有的 VLMs，如 CLIP，采用共
近日，清华大学智能产业研究院（AIR）在2024年12月24日发布了一项名为 AutoDroid-V2的 AI 模型，旨在优化移动设备的自动化控制能力。该模型通过小型语言模型的应用，显著提升了用户通过自然语言进行操作的效率。AutoDroid-V2采用了一种基于脚本的方法，与传统依赖云端大型语言模型（LLM）的方式不同。这一创新使得设备能够高效执行用户指令，减少了对云服务的依赖，从而在隐私和安全性方面有了显著的提升。同时，它也降低了用户端的流量消耗及服务器端的运行成本，推进了移动设备的广
智谱AI旗下的GLM-PC基座模型CogAgent-9B现已开源，以促进大模型Agent生态的发展。CogAgent-9B是基于GLM-4V-9B训练而成的专用Agent任务模型，能够仅通过屏幕截图作为输入，根据用户指定的任意任务结合历史操作，预测下一步的GUI操作。这一模型的普适性使其可广泛应用于个人电脑、手机、车机设备等多种基于GUI交互的场景。
随着数字艺术的发展，自动化的图像处理技术日益受到关注。近日，来自清华大学与腾讯 ARC 实验室的研究团队提出了一种名为 ColorFlow 的新型图像序列上色模型。这一模型旨在解决在黑白图像序列上色的同时，保持角色和物体身份一致性的问题，满足漫画和动画等行业的实际需求。ColorFlow 是一个三阶段的扩散基础框架，它充分利用上下文信息，通过参考图像池为黑白图像序列准确生成颜色。例如，该模型能够有效地为角色的发色和服装上色，确保与参考图像的色彩一致性。与以往需要针
