学术

年末惊喜！ByteDance Research视频理解大模型「眼镜猴」正式发布

作者

ByteDance Research 的视频理解大模型眼镜猴(Tarsier)发布了第二代模型 Tarsier2 及相关技术报告。Tarsier2 在影视名场面分析和视频描述任务上表现突出，展示了强大的视频理解和生成能力。

年末重磅！ByteDance Research视频理解大模型「眼镜猴」正式发布

作者

ByteDance Research 的视频理解大模型眼镜猴（Tarsier）迎来了重大更新，发布了第二代模型 Tarsier2 及相关技术报告。Tarsier2 能够分析复杂的影视名场面，并对真人和动画、横屏和竖屏、多场景和多镜头的视频进行描述，其性能超越了 GPT-4o 和 Gemini-1.5-Pro 等闭源模型，在多个公开基准上表现出色。

ICLR 2025 Ross: 多模态大模型的 MAE 时刻？

作者

本文介绍了一篇关于Reconstructive Visual Instruction Tuning (Ross)的工作，该方法通过引入视觉监督来提升多模态大模型的细粒度理解能力，并显著减少幻觉现象。该方法已成功应用于多个基准测试中，与现有技术相比表现出色。