视觉理解

炸裂！DeepSeek 的新春礼物——多模态模型Janus-Pro 详解

作者

DeepSeek发布Janus-Pro模型，实现图文理解和图像生成的双面杀手。该模型通过解耦视觉编码路径实现了真正的”一心二用”，并采用统一架构设计、精心训练策略和MIT开源协议。其在理解任务得分0.8和生成质量上碾压DALL-E 3等主流模型。

实测豆包全家桶 ，推理、视觉、语音能力大增，唱歌居然跑调

作者

临近春节，豆包1.5 Pro发布，包含基础模型、视觉和实时语音模型。测试显示其推理能力、视觉理解能力和语音识别能力均有提升，但仍有待提高。基础模型已开始灰度测试，其他两个模型已上线。

理解生成协同促进？华为诺亚提出ILLUME，15M数据实现多模态理解生成一体化

作者

华为诺亚方舟实验室提出统一多模态大模型ILLUME，仅使用约15M图文对数据实现视觉理解、生成等任务的出色表现，并采用自提升式多模态对齐策略促进理解和生成能力协同进化。