多模态 AI
视觉语言模型如何“看图”
图像编码器、图块、投影层与多模态训练。
高级 20 分钟 适合: 开发者 / 研究者 ✎ 编写中
✎ 本课正在编写，下面是规划好的大纲；正文完成前不会被搜索引擎收录。
本课将讲什么
- ViT 与图块
- CLIP 式对比学习
- 把视觉接入大模型
- OCR、图表与屏幕理解
相关 AI 新闻
链接指向原始发布方。
- Canva releases its first image generation modelTechCrunch AI ·
- Stream low-latency speech from AI agents using Kokoro TTS on Amazon SageMaker AIAWS Machine Learning Blog ·
- LiteLLM v1.107.0 compromised: malicious PyPI wheels and Docker images pulled; pin 1.106.2 and rotate credentialsLiteLLM 官方博客 ·
- BigQuery ObjectRef now GA: Build multimodal data platforms for conversational analytics entirely in SQLGoogle Cloud 博客全站 ·
- Jensen Huang’s Vision for Europe Runs on Plug-In Data CentersWIRED · AI ·