BriefGPT - AI 论文速递 ·

VLM-HOI: Vision Language Model for Interpretable Human-Object Interaction Analysis

💡 原文英文，约100词，阅读约需1分钟。

📝

内容提要

本研究提出了一种新方法，利用视觉语言模型(VLM)提升人-物交互检测能力，通过量化HOI三元组的相似性，实现了最先进的检测准确率，推动了可解释的人-物交互分析的发展。

🏷️

SenseNova-U1.5-8B-MoT 统一生成与理解，解锁原生多模态创作；DeepSeek-V4-Flash-Vision-Exp 拓展视觉理解新能力
商汤科技发布SenseNova-U1.5-8B-MoT统一多模态模型，支持图像生成、编辑与理解，提升4K画质和文字渲染。HyperAI官网更新数据集、教程...
DeepSeek-V4 模型结构（0）：一张图看懂 DeepSeek-V4
本文介绍DeepSeek-V4模型架构：Pro版总参数1.6T、61层，Flash版284B、43层，均采用4条残差流、交错CSA/HCA压缩注意力与Mo...
CD sales are booming as physical media continues its resurgence
According to the Recording Industry Association of America (RIAA), CD sales e...
Kimi K3 模型结构（7）：结构决定系统
本文总结Kimi K3模型结构对训练与推理系统的影响。KDA采用三种执行形态（FlashKDA、设备内上下文并行、状态回滚）处理固定大小状态；上下文并行通...
Kimi K3 模型结构（6）：输入端与零件，MoonViT-V2、MTP、Per-Head Muon
Kimi K3模型采用从零训练的MoonViT-V2视觉编码器，27层、patch14结构，支持高分辨率图像token化；MTP层预训练后微调为EAGLE...
EP224：MCP与RAG及AI代理的对比
本文介绍MCP、RAG与AI Agent的区别：MCP是连接AI与外部工具的标准协议；RAG通过检索外部数据提供最新答案；AI Agent能自主决策执行任...