标签：多模态语言模型

在2024年的微软Build大会上，一项名为Phi-3-vision的新技术引起了关注。这款创新的多模态小型语言模型（SLM）主打视觉理解和图文解析能力，并且能在移动设备上实现高效运行。Phi-3-vision拥有42亿参数和128k token的上下文长度，专为本地AI场景设计，能有效支持各种视觉推理任务。微软通过发表的论文展示了Phi-3-vision与Claude 3-haiku和Gemini 1.0 Pro等其他模型的竞争力，尽管其参数量不大，但在ScienceQA、MathVista和ChartQA等测试中的性能表现出色。 此前，微软还对比了Phi-3-vision与其他知名模型，如字节跳动的Llam...

AI初创公司Reka近期推出了创新的多模态语言模型Reka Core，该模型展现出理解图像、音频和视频等多元数据的卓越能力，成为继谷歌Gemini Ultra之后的又一瞩目之作。Reka Core在性能上与GPT-4相当，证明了其研发团队的努力成果。这款模型是通过数千台H100设备训练得出，支持32种语言和大量词汇上下文，尤其擅长处理长篇文档。Reka Core不仅在视频感知测试中超越Gemini Ultra，在图像任务的MMMU基准测试中也有出色表现，与行业领先模型相媲美。尽管训练时间较短，但其性能已超越许多顶级AI模型。值得注意的是，Reka Core具备强大...