Vad är Vision-Language Model (VLM)?

Det breda fältet för att bygga system som utför uppgifter som kräver mönsterigenkänning, resonemang, språk eller beslutsfattande.

En multimodal modellarkitektur som lär sig delade representationer mellan text och bilder.

Grenen av AI som extraherar mening från bilder och video.

Den maximala mängden inmatningstoken en språkmodell kan bearbeta på en gång.

När en modell genererar flytande men falsk eller ostödd information.

En språkmodell tränad på massiva textkorpus för att generera och analysera text.