JoyRider

当CNBC以“巩固中国无可争议的AI领导者地位”为题报道这场开源事件时，Hugging Face平台正同步上架23个文心4.5系列模型——从0.3B参数的轻量级版本到总参数量达424B的混合专家（Mo

研究背景 视觉 - 语言模型的兴起 ：随着 CLIP 等视觉 - 语言基础模型的出现，图像 - 文本表示得到了变革，可通过提示学习高效处理各种任务。提示学习作为一种轻量级的模型微调方法，因参数少、适应

文章通过引入共享的多模态表示空间和解耦策略，有效地解决了现有VLMs在适应新任务时的过拟合问题，提高了模型在多种任务和数据集上的泛化能力和适应能力。

研究背景 现有研究情况：语义分割是计算机视觉中的基础任务，旨在根据不同的语义对图像进行分割。近期的视觉语言模型（VLMs）如CLIP，通过网页规模的数据训练使模型能够适应开放词汇场景，但由于仅接收图像

研究背景 现状 ：人类是计算机视觉中最重要的参与者之一，能够基于自然语言描述识别和检测特定个体对于诸多应用至关重要。现有的指代表达理解（REC）任务数据集，如 RefCOCO/+/g 等，大多假设指代

研究背景 目前，将视觉理解与生成整合到单一多模态框架中是一大挑战。早期的研究尝试通过将最先进的扩散模型和多模态LLMs相结合来实现，但这些方法在图像生成和文本序列建模之间缺乏深入的整合，导致在基于指令

研究背景 近年来，通用视觉基础模型（VFMs）如CLIP、DINO和SAM等在多模态大语言模型（MLLMs）中得到了广泛应用，但在处理下游文本图像相关任务时，由于缺乏语义细粒度监督，这些模型在感知、理

#金石焕新程# 一、研究背景与动机 近年来，视觉Transformer（ViT）在计算机视觉领域取得了显著的成果，归功于其强大的全局感受野和信息建模能力。然而，ViT的自注意力机制存在计算复杂度为二次

#金石焕新程# 背景 随着大型视觉-语言模型（LVLMs）的快速发展，其在图像描述、视觉推理等任务中表现出了强大的能力。然而，这些模型普遍存在物体幻觉（Object Hallucinations, O