Компанія NVIDIA розповіла про свою нову мультимодальну модель на 72 млрд параметрів, яка може працювати з текстом і картинками. Розробники розповіли, чим вона може бути цікава, і повідомили, що скоро опублікують модель у відкритому доступі.
Модель називається NVLM-D-72B і входить до сімейства NVLM. У документації до нього компанія прямо згадує як суперників відкриті мовні моделі на зразок Llama 3-V 405B і закриті, як GPT-4o. Також наводяться тести нейромережі, де вона обійшла GPT-4o у бенчмарку на розпізнавання тексту OCRBench та Llama 3-V70B у тесті на розуміння природних зображень VQAv2.
Як приклад компанія наводить кілька тестових запитів до нейромережі. Наприклад, можна показати дорожні знаки багатосмугової дороги і запитати, якою смугою їхати, або дати рукописну замітку з псевдокодом і попросити перевести його в програмний код. Також нейромережа може пояснити мем на малюнку або вирішити рівняння.
У NVIDIA також планують опублікувати вихідний код NVLM та позиціонують модель як основу, яку надалі зможуть використовувати сторонні розробники у своїх програмах. Дізнатися технічні подробиці можна у документації до моделі .
Сьогодні з'явилася інформація про те, що в майбутньому оновленні для Pixel Buds Pro 2 може…
Компанія підтвердила, що впроваджує в налаштування Edge архітектуру WebUI 2.0, що має призвести до значного…
Автоматизація рутинних завдань значно знижує витрати компаній та підвищує їх ефективність. Сучасні технології суттєво полегшують…
Поки ми всі чекаємо на офіційний реліз Android 15, компанія Google розглядає можливість випуску наступного…
Корейські вчені розробили інноваційний матеріал відомий як Safety Reinforced Layer (SRL). Він усуває основну причину…
Одні й самі моделі смартфонів можуть відрізнятися маркуванням Global, CN яка багатьом незрозуміла. Ми ж…