实体
LLM2CLIP
LLM2CLIP
PulseAugur coverage of LLM2CLIP — every cluster mentioning LLM2CLIP across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
AI仅凭文本学习视频定位，弥合模态鸿沟
研究人员开发了一种新颖的方法，仅使用文本描述来训练AI模型理解视频内容，从而在训练期间无需配对的视频-文本数据。该方法通过CLIP或LLM2CLIP等模型的文本嵌入来适配现有的LLM（如Qwen3_8B）。为了在推理时弥合文本和视频之间的模态鸿沟，他们引入了最近实体替换（NER）技术，该技术将视频帧映射到文本嵌入，显著提高了在Charades-STA和QV-Highlights等基准测试上的时间定位性能。
-
Xray-Visual 模型通过 150 亿图像-文本对扩展视觉任务
研究人员推出 Xray-Visual，这是一种新颖的视觉模型架构，专为大规模图像和视频理解而设计。该模型在超过 150 亿个图像-文本对和 100 亿个视频-标签对（来自 Facebook 和 Instagram）的海量数据集上进行训练，并采用先进的数据策展技术，以确保语义多样性并最大限度地减少噪声。Xray-Visual 利用结合了自监督、半监督和对比学习方法的三阶段训练流程，并基于高效的 Vision Transformer 主干…