چندوجهی
Multimodal
پیوند تصویر و متن در مدلهای بینایی-زبان و نحوهی آموزش آنها.
- ۲۲ سؤال
- ۵ ساعت تمرین
- پاسخها بستهاند تا اول خودتان جواب بدهید
سطح
نوع
۲۲ سؤال
سطح ۱ غربالگری ۳
سطح ۲ میانی ۹
- رمزگشای تولید شرح تصویر با ماسکهای جابهجا شده
- استفاده از VLM عمومی برای تشخیص طبقهی قرارگیری کالا
- توکنهای تطبیقدهنده یا یک دایرهی واژگان مشترک برای تصاویر
- هر تعداد تصویر، تعداد ثابتی توکن برای هرکدام
- پیادهسازی و تست لایهی تصویر بین دو مدل فریزشده
- پیشبینی مقیاس بعدی بهجای پیشبینی توکن بعدی
- رابط پرسوجومحور یا MLP برای اتصالدهنده
- هزینهی تولید یک تصویر بر حسب کد و ثانیه
- کدام اهرم امتیاز استدلال چندوجهی را جابهجا میکند؟
سطح ۳ ارشد ۷
- مدل چندوجهی گیتداری که پس از فاینتیونینگ نوشتن یادش رفت
- واگرایی در آموزش مدل ادغام زودهنگام در مقیاس بزرگ
- زیرنویسهای متراکم انسانی یا دو میلیون زیرنویس حاصل از تقطیر دانش
- پایش مدل بینایی-زبانی در محیط عملیاتی برای تشخیص اشیای ساختگی
- سه مرحله آموزش برای جبران عقبماندگی در بنچمارک VLM
- سه روش برای تولید تصویر با یک ترنسفورمر واحد
- چرا توکنایزر کیفیت تصویر تولیدشده را محدود میکند