研究人员开发了 Omni-Encoder,这是一种新颖的多模态编码器,它使用具有共享参数的单个 SigLIP-2 Vision Transformer 来处理图像、视频、音频和视听输入。这种方法与传统的依赖事后绑定或单独编码器的方法不同,它对所有模态进行端到端联合优化。该框架包括一个模态原生输入阶段和一个用于统一时空对齐的多模态旋转位置嵌入,而交替模态训练被证明对于稳定的联合优化至关重要。Omni-Encoder 使用单一参数集在所有四种模态的 16 个基准测试中均表现出竞争力,并且与单独训练相比,联合训练方法增强了每种模态。 AI
影响 这项研究通过实现不同数据类型的联合训练,有可能带来更高效、更强大的多模态人工智能系统。
排序理由 该集群包含一篇详细介绍新模型架构及其在基准测试中性能的学术论文。[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 →