实体
LLaVA-v1.5-7B
LLaVA-v1.5-7B
PulseAugur coverage of LLaVA-v1.5-7B — every cluster mentioning LLaVA-v1.5-7B across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新方法提高了 AI 模型忠实视觉归因的准确性
研究人员开发了两种新的忠实视觉归因方法 CoPAIR 和 TRACE，该方法可识别支持模型预测的图像区域。这些方法侧重于生成紧凑的 top-k 证据掩码，而不是对所有区域进行完全排序。CoPAIR 使用 PhaseWin-Greedy 方法进行候选生成，而 TRACE 则使用交叉熵采样和其他技术直接搜索固定基数的掩码。这两种方法在 ImageNet 分类和 MLLM 归因等各种归因任务上都取得了新的最先进成果，其中 TRACE 掩码在…
-
新框架提升多模态大语言模型调优效率
研究人员推出了两个新框架，以改进大语言模型的多模态指令调优。SAME框架通过稳定专家选择和规范专家更新来解决持续学习中的“路由器漂移”和“专家漂移”问题。同时，OFA框架提供了一种可重用的数据选择方法，只需训练一次选择器即可将其应用于各种数据集和模型，通过仅选择一小部分数据即可显著提高训练效率，同时保持高性能。此外，Prism基础设施提供了一个插件系统，以简化多模态持续指令调优的研发，将算法开发与基础模型实现分离，以增强代码重用和公平比较。
-
KORE方法提升大型多模态模型的知识注入能力
研究人员推出了一种名为KORE的新方法，旨在增强大型多模态模型（LMMs）的知识注入。KORE通过实现新信息的获取和现有知识的保留，解决了预训练模型中知识静态和有限的挑战。该方法将单个知识项转换为结构化格式以进行准确学习，并采用独特的协方差矩阵方法来最大限度地减少对先前学习信息的干扰，从而缓解灾难性遗忘。