叶子的技术碎碎念

Emu3: Next-Token Prediction is All You Need Emu3: 下一个 Token 预测的全部 尽管下一个 Token 预测被视为通向人...

Imagine yourself: Tuning-Free Personalized Image Generation 想象你自己：无调优个性化图像生成 扩散模型在多种图像...

最近要开始刷CMU的 10-414/714: Deep Learning Systems 这门课了，之前其实就看了个开头，因为自己就是希望未来可以多研究研究关于System...

InstantDrag: Improving Interactivity in Drag-based Image Editing InstantDrag: 提升基于拖拽的图...

How Do Your Code LLMs Perform? Empowering Code Instruction Tuning with High-Quality Da...

SciLitLLM: How to Adapt LLMs for Scientific Literature Understanding SciLitLLM: 如何适应大语...

Building and better understanding vision-language models: insights and future directio...

xGen-MM (BLIP-3): A Family of Open Large Multimodal Models xGen-MM (BLIP-3): 一个开放的大型多模...

VITA: Towards Open-Source Interactive Omni Multimodal LLM VITA：迈向开源交互式全模态大语言模型 GPT-4o ...

本周有点偷懒，没想好写什么技术文章，就给Paper-Agent加了点花样，支持基于首页的论文问答进行对话，直接切换到聊天菜单就会自动带上。目前只做了Deepseek的适配，...

Medical SAM 2: Segment medical images as video via Segment Anything Model 2 Medical SA...

今天随便翻了翻X，看到了 Sam Altman 7月底发的一篇推文，说的是他在 Washington Post 上的一篇文章，Who will control the fu...

每周AI论文速递系列已经创建GitHub仓库，欢迎star. SHIC: Shape-Image Correspondences with no Keypoint Supe...

Internal Consistency and Self-Feedback in Large Language Models: A Survey 大语言模型中的内部一致性...

之前写的Paper-Agent最近做了些重构升级，主要是下面这些变动： 多种大模型的支持 之前是只接入了 deepseek 和 kimi， 并且使用 Kimi 作为pdf问...

SpreadsheetLLM: Encoding Spreadsheets for Large Language Models SpreadsheetLLM：优化大语言模型...

许多电脑缺乏运行 Ollama 的强大 GPU，导致大量用户无法享受本地大型模型带来的便利，如文章优化、会议纪要摘要和英文邮件撰写等。现有一项新方法，可让 Ollama 本...

Unveiling Encoder-Free Vision-Language Models 无编码器视觉-语言模型的探索 当前的视觉-语言模型（VLMs）主要依赖视觉编码器...