阿里8B模型拿下多页文档理解新SOTA，324个视觉token表示一页，缩减80%
阿里8B模型拿下多页文档理解新SOTA，324个视觉token表示一页，缩减80%高效多页文档理解，阿里通义实验室mPLUG团队拿下新SOTA。
来自主题: AI技术研报
6571 点击 2024-09-13 21:27
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
高效多页文档理解，阿里通义实验室mPLUG团队拿下新SOTA。
Mistral的多模态大模型来了！Pixtral 12B正式发布，同时具备语言和视觉处理能力。
在AI-2.0时代，OCR模型的研究难道到头了吗！？
本文出自启元世界多模态算法组，共同一作是来自清华大学的一年级硕士生谢之非与启元世界多模态负责人吴昌桥，研究兴趣为多模态大模型、LLM Agents 等。本论文上线几天内在 github 上斩获 1000+ 星标。
近年来，大模型在人工智能领域掀起了一场革命，各种文本、图像、多模态大模型层出不穷，已经深深地改变了人们的工作和生活方式。
新的最强开源多模态大模型来了！
以 GPT 为代表的大型语言模型预示着数字认知空间中通用人工智能的曙光。这些模型通过处理和生成自然语言，展示了强大的理解和推理能力，已经在多个领域展现出广泛的应用前景。无论是在内容生成、自动化客服、生产力工具、AI 搜索、还是在教育和医疗等领域，大型语言模型都在不断推动技术的进步和应用的普及。
本期我们邀请到了 纽约大学计算机科学院博士 童晟邦 带来【多模态大模型：视觉为中心的探索】的主题分享。
4秒看完2小时电影，阿里团队新成果正式亮相——
只用提示词，多模态大模型就能更懂场景中的人物关系了。