d1-3B
PulseAugur coverage of d1-3B — every cluster mentioning d1-3B across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LiquidAI d1-Omni-2B:一个能听但不能说的决策模型
LiquidAI d1-Omni-2B 模型被设计为“决策模型”,而非传统的聊天助手,它可以处理包括音频在内的各种输入,但不会生成语音或书面回复。它一次性回答一组预定义的问题,适用于呼叫路由或声音事件检测等任务。虽然 2B 参数版本在基准测试中比 600M 版本有了显著改进,但其在处理较长的口语段落和非英语语言时性能会下降。
-
LiquidAI的d1-omni-600M多模态模型可在树莓派上运行
LiquidAI发布了d1-omni-600M,这是一款专为树莓派等边缘设备设计的多模态模型。与传统的LLM不同,该模型无法生成文本;相反,它充当一个复杂的分类器,根据其概率分布返回诸如是/否、分数或预定义选项的选择等答案。该模型支持文本、图像和音频输入,但不能同时支持,特别适用于内容审核、意图路由和视觉识别等任务。
-
LiquidAI 发布 d1-3B 决策模型,非聊天机器人
LiquidAI 发布了其 d1-3B 模型,这是一个拥有30亿参数的视觉模型,专为决策任务设计,而非文本生成。与典型的语言大模型不同,d1-3B 处理文本、JSON 和图像,以回答预定义的问题,输出形式为“是/否”或评分,产生零输出 token。虽然它在某些决策基准测试中表现出色,但在视觉推理和网页截图解释方面的性能不如其前代产品。
-
Liquid AI 发布开源模型 d1-3B 和 d1-omni-600M
Liquid AI 发布了两款新的开源模型:d1-3B 和 d1-omni-600M。d1-3B 模型能够在 RTX 4090 上以 8 毫秒的速度回答查询,使其适用于路由、分类和安全检查等任务。
-
用户发现 d1-3B 非常有用,d1-omni 效用低下
一位名叫 BOOTOSHI(也称为 KingBootoshi)的用户分享了他们对 d1-3B 和 d1-omni 这两个模型性能的个人看法。他们认为 d1-3B 在他们的体验中表现非常积极,而 d1-omni 则被认为效用低下。该用户没有提供具体的基准测试或失败案例,这表明在选择模型时需要进一步验证。
-
Liquid AI 开源 d1 决策模型以支持边缘 AI
Liquid AI 已开源其两个 d1 决策模型 d1-3B 和 d1-omni-600M,并将其发布在 Hugging Face 上。这些模型旨在处理文本、图像和音频等各种输入,以对预定义问题提供结构化、类型化的答案,目标是取代传统的 LLM 调用,用于工单路由和意图分类等任务。d1-3B 模型基于 LFM2.5-VL-3B 构建,声称在 100 亿参数以下的模型中取得了最先进的性能,并报告了在消费级硬件上快速的推理速度。d1-om…
-
Liquid AI 发布开源决策模型 d1-3B 和 d1-omni-600M
Liquid AI 发布了两款新的开源决策模型 d1-3B 和 d1-omni-600M,用户可以下载并在本地运行。d1-3B 模型基于 LFM2.5-VL-3B,可处理文本和图像输入;d1-omni-600M 模型基于 LFM2.5-Encoder-350M,支持文本、图像和音频输入。这些模型旨在执行诸如带有置信度分数选择合适选项等任务,并且与传统的 LLM 和 OpenAI 的 Decisions API 相比,它们在速度和成本效…
-
Liquid AI 发布开源多模态决策模型 d1-3B 和 d1-omni-600M
Liquid AI 发布了两款开源多模态决策模型 d1-3B 和 d1-omni-600M,它们旨在进行实时决策而非文本生成。d1-3B 模型处理文本和图像,而 d1-omni-600M 则处理文本以及图像或音频,在单次前向传播中以零输出令牌返回校准后的答案。这些模型针对 NVIDIA 硬件(包括服务器、工作站和边缘设备)的部署进行了优化,并可在 Hugging Face 上获取,支持 llama.cpp。
-
LiquidAI 在 Hugging Face 上发布 d1-3B 模型
LiquidAI 发布了其 d1-3B 模型,这是一个拥有 30 亿参数的语言模型。该模型可在 Hugging Face 上获取,Hugging Face 是一个用于共享 AI 模型和数据集的平台。此次发布为日益增长的开源 AI 模型生态系统做出了贡献。
-
新的多模态模型和研究推动了人工智能在边缘、推理和生成方面的能力
几篇研究论文和一个新模型发布,专注于推进多模态人工智能能力。Liquid Foundation Models 发布了开源的 d1-3B 模型,该模型针对边缘设备进行了优化,能够处理文本和图像,并具有快速的推理时间。同时,新的研究探索了在嘈杂监督下改进多模态学习(REFINE)、对直观视觉推理进行基准测试(Humanity's Sixth Sense)、全模态嵌入的结构化专业化(Syn-Omni)、通过张量建模学习多模态协同作用(HRI…