Moshi
Definition
A Moshi egy fejlett AI-modell, amelyet a Kyutai hozott létre, és integrálja a beszéd- és …
Multimodal
Terms tagged with Multimodal
Ltx Video
Definition
Az Ltx Video a videógeneráló mesterséges intelligencia területén elért fejlődést jelenti, …
Képből szöveg
Definition
A képből szöveg (Image Text To Text) olyan modellekre utal, amelyek vizuális bemeneteket …
Genie
Definition
A Genie kifejezetten videó-szintézisre tervezett generatív modellek családjára utal. …
Diffusers: Qwenimagepipeline
Definition
Ez a pipeline a Qwen-VL modellek generatív képességeit alkalmazza képszintézisre. …
DeepSeek VL V2
Definition
A DeepSeek VL V2 kiterjeszti az alapvető nyelvi modellek képességeit a többmodális …
Adathalmaz: Beágyazási adatok/Flickr30K feliratok
Definition
A Flickr30K Captions egy széles körben használt benchmark adathalmaz, amely 31 783 képből …
Párosított mintatanuló
Definition
A párosított mintatanulókat arra tervezték, hogy kezeljék azt az adatot, ahol két …
Kontrasztív nyelvi-képi előzetes tanítás
Definition
A Kontrasztív Nyelvi-Képi Előzetes Tanítás (CLIP) egy neurális hálózati architektúra, …
Bármiből bármibe (Any To Any)
Definition
A ‘bármiből bármibe’ kifejezés az egységes multimodális architektúrákra utal, …
Vizuális-Nyelvi Modellek
Definition
A vizuális-nyelvi modelleket, gyakran Multimodális Nagy Nyelvi Modelleknek (MLLM) …
keresztmodális
Definition
A keresztmodális AI a különböző modalitásokból származó adatok feldolgozását és …
Vizuális / Látvány
Definition
Az AI-ban a ‘vizuális’ kifejezés elsősorban a Számítógépes Látásra (Computer …
Generálás
Definition
A mesterséges intelligencia területén a generálás a modellek képességét jelenti, …