BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

Visual Lexicon: Encoding Rich Image Features in Language Space

💡 原文英文，约100词，阅读约需1分钟。
📝

内容提要

本研究提出了视觉词典（ViLex），通过自监督学习将丰富的图像信息编码为文本代币，解决了传统方法无法同时捕捉高层语义和细致视觉细节的问题。该方法在零-shot条件下展示了多项任务能力，显著提升了视觉-语言模型性能，为高保真图像生成和视觉场景理解提供新途径。

🏷️

标签

encoding 自监督学习 视觉-语言模型 视觉场景理解 视觉词典 高保真图像生成
➡️

继续阅读

  1. 开源dsh-image-gen：在DeepSeek Harness聊天框直接生图修图
    dsh-image-gen是DeepSeek Harness的AI图像插件，支持对话生图、连续编辑、Studio批量创作、多模型对比、500+Prompt...
  2. 华为云码道Space重磅公测：AI驱动泛研发提效，开启全民开发创造新时代！
    华为云推出码道Space，一款面向泛研发场景的一站式AI工作台，融合AI专家与技能，覆盖软件开发、设计、数据分析、办公等场景，支持文档处理、全栈编码、代码...
  3. 蚂蚁 inclusionAI 开源 6B 统一图像生成与编辑模型 LLaDA-Image
    蚂蚁集团开源统一图像生成与编辑模型LLaDA-Image，含6B参数，提供Base和Turbo两版本，支持文生图、编辑及中英文渲染。Turbo采用蒸馏技术...
  4. Kimi K3 模型结构（9）：显存，把 2.8T 塞进 GPU
    本文详解Kimi K3模型训练中的显存优化策略，通过账本形式分析权重、激活等内存占用，并介绍六项关键技术：均衡PP rank激活、统一激活管理器、MoE反...
  5. DeepSeek-V4 模型结构（7）：结构决定系统
    DeepSeek-V4模型采用混合压缩注意力（mHC），将KV缓存分为状态缓存和分页缓存，分别管理滑窗KV与压缩条目。上下文并行通过点对点通信和all-g...
  6. DeepSeek-V4 模型结构（6）：优化器与稳定性，Muon
    DeepSeek-V4采用Muon优化器，通过谱范数最速下降实现逐矩阵正交化，用Newton-Schulz迭代逼近SVD，混合系数提升小奇异值并精确稳定大...
👤 个人中心
在公众号发送验证码完成验证