Noticias sobre Large Vision-Language Models

FoCUS avanza en el "control del enfoque de los subtítulos" desde la ingeniería rápida hasta la optimización explícita basada en recompensas de gráficos de escenas, lo que significa que la granularidad del control de los subtítulos de imágenes está cambiando de temas generales a semántica a nivel de objetos, atributos y relaciones. Si la generalización tiene éxito, la interpretabilidad y controlabilidad de los sistemas multimodales ya no dependerán de la alineación accidental de modelos.