Large Vision-Language Models に関する報道

FoCUS は、「字幕のフォーカスの制御」をプロンプト エンジニアリングからシーン グラフの報酬主導型の明示的な最適化へと進化させています。これは、画像字幕の制御粒度が、粗粒なトピックからオブジェクト、属性、および関係レベルのセマンティクスに移行していることを意味します。一般化が成功すれば、マルチモーダル システムの解釈可能性と制御可能性は、モデルの偶然の調整に依存しなくなります。