["零一万物 Yi-VL 多模态语言模型上线，包括 Yi-VL-34B 和 Yi-VL-6B 两个版本","Yi-VL 模型在图文理解和对话生成方面具备卓越能力","Yi-VL 模型在英文和中文数据集上取得领先成绩","Yi-VL-34B 以 41.6% 的准确率超越其他多模态大模型","Yi-VL 模型基于 LLaVA 架构，具备强大的语言理解和生成能力"]

["NExT-GPT 是新加坡国立大学开源的多模态语言模型，支持处理文本、图像、视频和音频，为多媒体人工智能应用提供强大支持。","采用三层架构，包括线性投影、Vicuna LLM 核心和模态特定的转换层，通过 MosIT 技术进行中间层训练。","开源贡献使研究者和开发者能够创建集成多模态输入的应用，潜在应用领域广泛。","NExT-GPT 独特之处在于能够根据用户请求生成模态信令标记，为不同媒体类型的人工智能应用提供了新的可能性。"]

["苹果和哥伦比亚大学研究人员共同开发了Ferret多模态语言模型，旨在实现高级图像理解和描述。","Ferret模型具备强大的全局理解能力，能够处理自由文本和引用区域，性能领先传统模型。","研究人员创建了GRIT数据集，包括1.1百万个样本，用于指导模型进行引用和定位任务。","Ferret-Bench评估显示，Ferret性能平均优于最佳MLLM模型20.4%，并减少了对象幻觉。"]