研究人员开发了Q-Selector，一个旨在提高大型多模态模型（LMM）在可解释图像质量评估中指令调优效率的新框架。研究发现，仅仅扩大数据集规模并非总是最优选择，精心挑选的数据子集可以以显著降低的计算成本获得更好的结果。Q-Selector采用了一个三阶段流程，包括基于LMM的聚类、用于配额分配的密度和可迁移性分析，以及用于数据采样的奇异值分解。 AI
影响 这项研究可能导致更高效地训练大型多模态模型以执行图像质量评估等专业任务，从而降低计算成本。
排序理由 学术论文，详细介绍了一种优化LMM指令调优的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
