Исследователи представляют OpenSpatial — платформу для генерации и синтеза данных, призванную значительно улучшить способность искусственного интеллекта понимать и взаимодействовать с окружающим миром.
Новое исследование показывает, что способность языковых моделей к обобщению при обучении с учителем (SFT) зависит от множества факторов, а не является врожденным свойством.
Новая разработка позволяет генерировать видеоролики с заданным количеством объектов, не прибегая к дополнительному обучению модели.
Новое исследование предлагает метод, позволяющий многомодальным моделям самостоятельно выбирать и применять инструменты для решения задач, повышая эффективность и качество рассуждений.
Новый подход позволяет роботам осваивать сложные навыки работы с мягкими и деформируемыми предметами, используя исключительно данные, сгенерированные физически точным симулятором.
Представлена OpenVLThinkerV2 — мультимодальная модель, способная решать разнообразные задачи, связанные с визуальной информацией и логическим мышлением.
Ученые разработали метод создания и изменения изображений, основанный на оптимизации вознаграждений и не требующий переобучения моделей.
Исследователи представили крупный датасет FIT и модель Fit-VTO, позволяющие реалистично симулировать посадку одежды на различных типах фигур.
Новая модель Phantom создает правдоподобные видеоролики, объединяя визуальные данные с моделированием скрытой физической динамики.
Новый подход позволяет мультимодальным моделям лучше понимать визуальную информацию и давать более правдоподобные и обоснованные ответы.