專題詳情LABEL DETAILS
NVIDIA和MIT的研究人員推出了一種新的視覺語言模型(VLM)預(yù)訓(xùn)練框架，名為VILA。這個框架旨在通過有效的嵌入對齊和動態(tài)神經(jīng)網(wǎng)絡(luò)架構(gòu)，改進語言模型的視覺和文本的學(xué)習(xí)能力。VILA通過在大規(guī)模數(shù)據(jù)集如Coy0-700m上進行預(yù)訓(xùn)練，采用基于LLaVA模型的不同預(yù)訓(xùn)練策略進行測試。研究人員還引入了視覺指令調(diào)整方法，利用視覺語言數(shù)據(jù)集進行基于提示的指令調(diào)整來細(xì)化模型。VILA在視覺問答基準(zhǔn)測試中...
