ข้ามไปที่เนื้อหา
เฉพาะ งานวิจัย#มัลติโมดัล
11 พฤศจิกายนวันพุธ
  1. inclusionAI Models40

    inclusionAI เปิดตัวโมเดล ZoomGain-9B และ ZoomGain-4B พร้อม ZoomGainBench และข้อมูลฝึก RL

    inclusionAI เปิดตัวเช็กพอยต์โมเดลวิชัน-ภาษา ZoomGain-9B และ ZoomGain-4B พร้อมกับเกณฑ์มาตรฐานการประเมิน ZoomGainBench และข้อมูลฝึก RL ของ ZoomGain โดย ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียด และ ZoomGain-9B มีประสิทธิภาพเหนือกว่าในเกณฑ์มาตรฐานการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGainBench มีคำถาม 1,000 ข้อจากภาพ 941 ภาพ ขณะที่ชุดข้อมูล RL มีบันทึกการฝึก 9,000 รายการและภาพต้นฉบับ 7,713 ภาพ

  2. inclusionAI Models38

    inclusionAI เปิดตัว ZoomGain-4B และ ZoomGain-9B พร้อม ZoomGainBench และข้อมูลฝึก RL

    inclusionAI เผยแพร่บทความ arXiv, แบบประเมิน ZoomGainBench, ชุดข้อมูลฝึก RL และเช็กพอยต์โมเดล ZoomGain-4B/ZoomGain-9B โดยโมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำผลงานได้เหนือกว่าในแบบประเมินการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียดสำหรับโมเดลภาษา-ภาพ

10 พฤศจิกายนวันอังคาร
  1. Artificial Analysis Articles58

    Google DeepMind และ Artificial Analysis เปิดตัว MKA benchmark สำหรับงานความรู้แบบเอเจนต์บนไฟล์ภาพที่ซับซ้อน

    Google DeepMind ร่วมมือกับ Artificial Analysis เปิดตัว Multimodal Knowledge Agent (MKA) benchmark ซึ่งมอบหมายให้เอเจนต์ตรวจทานไฟล์โปรเจกต์ภาพที่มีข้อมูลหนาแน่น เช่น แบบสถาปัตยกรรม แผนผังวิศวกรรม และภาพสแกนทางคลินิก เพื่อสร้างสไลด์ สเปรดชีต PDF เอกสาร Word และภาพที่ทำเครื่องหมายแล้ว

9 พฤศจิกายนวันจันทร์
  1. inclusionAI Repositories38

    ZoomGain: การขุดช่องว่างการรับรู้จากภาพรวมสู่การซูมสำหรับการกำกับดูแลด้วยภาพอย่างละเอียด

    ZoomGain สร้างคำถามเกี่ยวกับภาพเต็มจากรายละเอียดทางภาพที่ชัดเจนขึ้นเมื่อซูมเข้า โดยใช้ช่องว่างการรับรู้จากภาพรวมสู่การซูมนี้เป็น信号กำกับสำหรับโมเดลภาษา-ภาพ การเผยแพร่ประกอบด้วยบทความ arXiv, Benchmark ZoomGainBench (1,000 คำถามจาก 941 ภาพ ครอบคลุมการจดจำคุณลักษณะ การนับ และ OCR), บันทึกการฝึก RL 9,000 รายการจากภาพต้นฉบับ 7,713 ภาพ และ checkpoint ZoomGain-4B และ ZoomGain-9B โมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำได้เหนือกว่าใน benchmark การรับรู้แบบละเอียดและทั่วไปหลายรายการ

6 พฤศจิกายนวันศุกร์
  1. Artificial Analysis Articles40

    VIALS-AA: เส้นทางที่แตกต่างสู่การให้เหตุผลเชิงภาพวิทยาศาสตร์

    VIALS-AA วิเคราะห์วิธีที่โมเดล 19 ตัวให้เหตุผลเหนือภาพวิทยาศาสตร์ โดยจำแนกการเรียกใช้เครื่องมือ 9,177 ครั้ง การดูภาพคิดเป็น 38.3% ของการเรียกใช้ และการเตรียมภาพหรือการวัดภาพ 47.3% ขณะที่การวัดภาพมีเพียง 5–6% ของการเรียกใช้สำหรับ GPT-6 Astra (max) และ GPT-6.1 Sol (max) เทียบกับ 25–27% สำหรับ Claude Opus 5.5 (max) และ Claude Sonnet 5.5 (max) Gemini 3.8 Flash (high) สร้าง 86.7% ของการเรียกใช้ประเภท commentary/no-op ของกลุ่มตัวอย่าง และต้นทุนต่องานแตกต่างกันเกือบ 100 เท่าระหว่างโมเดล

5 พฤศจิกายนวันพฤหัสบดี
  1. Google Research47

    งานวิจัยของ Google ช่วยให้มนุษย์นิยามหมวดหมู่ AI แบบอัตวิสัยได้ด้วย Agile Deliberation

    Google Research เปิดตัว Agile Deliberation ซึ่งเป็นกรอบการทำงานที่เปลี่ยนการสร้างตัวจำแนกประเภท AI แบบอัตวิสัยให้เป็นการสนทนาแบบวนซ้ำที่ AI ช่วยให้ผู้ใช้ปรับปรุงคำนิยามของตนเองให้ชัดเจนขึ้น โดยแบ่งงานออกเป็นการกำหนดขอบเขตแนวคิดและการวนซ้ำแนวคิด ใช้โมเดลภาพ-ภาษาเพื่อแสดงภาพที่อยู่กึ่งกลางและส่งต่อข้อเสนอแนะเข้าสู่วงจรการปรับแต่งพรอมต์อัตโนมัติ ในการทดลองกับผู้ใช้จริง 18 ครั้ง ครั้งละ 1.5 ชั่วโมง วิธีนี้ช่วยลดความเหนื่อยล้าและความกังวลของผู้ใช้ และสร้างโมเดลที่สอดคล้องกันมากขึ้นซึ่งมีประสิทธิภาพเหนือกว่าฐานมาตรฐาน โค้ดเปิดเผยเป็นโอเพนซอร์สบน GitHub

23 ตุลาคมวันศุกร์
  1. Amazon Science40

    เทคโนโลยี TTS แบบควบคุมได้ของ Audible มอบเสียงตัวละครที่แตกต่างให้กับหนังสือเสียง

    ทีมเทคโนโลยีของ Audible ใช้เทคโนโลยี text-to-speech แบบควบคุมได้เพื่อมอบเสียงที่แตกต่างและสม่ำเสมอให้กับตัวละครในหนังสือเสียง โดยมีคำอธิบายด้วยภาษาธรรมชาติเป็นแนวทางว่าบทสนทนาควรถูกถ่ายทอดอย่างไร คอมโพเนนต์ BookLLM ทำการโปรไฟล์ตัวละครและระบุบทสนทนาของพวกเขาด้วยความแม่นยำ 97% ในภาษาอังกฤษและ 94% ในภาษาสเปน ขณะที่ไปป์ไลน์ข้อมูลสังเคราะห์ใช้ฝึกโมเดลด้วยเสียงพูดที่มีคำบรรยาย การแยกความแตกต่างของบทสนทนาดีขึ้น 3.7 คะแนนในการทดสอบ MUSHRA โดยมีผลประโยชน์ด้านประสบการณ์การฟังอย่างมีนัยสำคัญทางสถิติสำหรับแปดในสิบเสียงในการทดสอบภาษาอังกฤษและภาษาสเปน

22 ตุลาคมวันพฤหัสบดี
  1. Google Research58

    โมเดล AI ของ Google Research แม่นยำเท่าผู้เชี่ยวชาญด้านอัลตราซาวนด์ในการประเมินอายุครรภ์จากภาพอัลตราซาวนด์แบบ blind sweep

    Google Research เผยแพร่การศึกษาระยะยาวหลายศูนย์ใน JAMA Network Open พบว่าโมเดล AI ของบริษัทสามารถประเมินอายุครรภ์จากภาพอัลตราซาวนด์แบบ blind sweep โดยมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย 4.18 วัน เทียบกับ 4.48 วันสำหรับผู้เชี่ยวชาญด้านอัลตราซาวนด์ที่ใช้การวัดแบบมาตรฐาน โมเดลนี้ถูกปรับแต่งเพียงเล็กน้อยกับผู้เข้าร่วม 120 คนในชิคาโก และทดสอบโดยไม่มีการปรับแต่งเฉพาะพื้นที่ในไนโรบี ซึ่งได้ค่า MAE 4.27 วัน เทียบกับ 4.10 วันในชิคาโก งานวิจัยนี้มุ่งเป้าไปที่การดูแลสุขภาพแม่ในระดับแนวหน้า ซึ่ง WHO ประเมินว่ามีการเสียชีวิตที่เกี่ยวข้องกับการตั้งครรภ์ที่ป้องกันได้มากกว่า 250,000 รายต่อปี และสองในสามของผู้คนขาดการเข้าถึงการวินิจฉัยด้วยภาพ

12 ตุลาคมวันจันทร์
  1. Import AI38

    Import AI 476: ความคิดสร้างสรรค์และ RSI, โมเดล Open Weight ที่แย่กว่าจีน และ AI ในอวกาศ

    Import AI 476 นำเสนอ benchmark ใหม่ที่แสดงให้เห็นว่า LLM ระดับแนวหน้ายังตามหลังมนุษย์ในด้านการให้เหตุผลเชิงภาพตามสัญชาตญาณ โดย GPT 6 Astra ทำได้ 53.6 pass@1 เทียบกับพื้นฐานของมนุษย์ที่ 93.1 นอกจากนี้ยังกล่าวถึงระบบ AI ที่พัฒนาความสามารถด้าน "รสนิยมการวิจัย" ผ่าน benchmark TasteVal และโต้แย้งว่า AI อาจเร่งการพัฒนาอุตสาหกรรมอวกาศและสร้างข้อได้เปรียบแบบทบต้นสำหรับผู้ที่มาก่อน