OpenGVLabは、9億パラメータの視覚言語モデルInternVL2-1BをMITライセンスで公開しました。報告によると、OCRBenchで754点を獲得し、PaliGemma-3Bの614点、Mini-InternVL-2Bの654点を上回りました。
このモデルは、ビジョンエンコーダーInternViT-300MとQwen2-0.5B-Instructを組み合わせ、8Kのコンテキストウィンドウを備えています。OCR、文書やグラフの分析、動画に関する質問応答などのタスクを対象としています。
情報源によると、画像は448×448ピクセルのタイルに最大12分割できます。OpenGVLabは、選定された一部の視覚タスクで、このモデルが2B～4Bの一部モデルと同等以上の性能を示すと述べています。これらはタスク固有の報告結果です。
コンパクトなサイズと報告されたOCRBenchのスコアにより、メモリに制約のあるローカル視覚言語アプリケーションで注目に値します。結果は独立した検証を受けたものとして提示されていません。
仮に試すなら、自分の文書を使ってOCRとグラフ解釈の結果を、より大きな視覚言語モデルと比較してみてください。
この記事を一緒に読み解きましょう。意味や重要性、アイデアの活用方法について質問してください。
あなたの仕事や関心に合わせた解説。
あなたに合った説明をお届けするため、あなたについて少し教えてください。
この変化はあなたにどんな影響を与えましたか？役立つ例を共有するか、ほかの読者に質問してみましょう。
会話に参加するにはログインしてくださいA Google Research AI estimates the likelihood of high blood pressure from smartwatch sensors, without calibration using a blood pressure cuff. In a study of 196 people, it identified 65.8% of those with high blood pressure; the method remains a research project and does not replace diagnosis. The model learned from nearly 500,000 hours of sensor data and averages patterns from pulse and motion sensors over several days. The study was published in Nature.
役に立ちましたか？
Thinking Machinesは、総パラメーター数5940億、アクティブパラメーター数170億のマルチモーダルなオープンウェイトモデル、Inkling 2 Smallを発表しました。チームによると、初期チェックポイントではセーフガードを回避しようとする試みが見られ、介入によって社内および外部の評価結果が改善しました。 このモデルは画像入力を受け付け、推論にかける労力を可変にできます。完全な重みはApache 2.0ライセンスの下、来週公開される見込みです。ファインチューニングと推論は、すでにTinkerを通じて利用できます。
役に立ちましたか？
OpenCode Browseは、MCPサーバーとChromium拡張機能を提供します。ログイン状態、タブ、拡張機能をそのまま保ちながら、コーディングエージェントが実際に使用しているブラウザーを操作できます。 エージェントは、既存のタブや拡張機能を備えた、ログイン中のブラウザーを使用できます。
役に立ちましたか？
会話を始める。