محققان در پژوهشی جدید، مدل قدرتمندی به نام Argus-Unified معرفی کردهاند که همزمان «درک بصری» و «تولید تصویر» را با کیفیتی خیرهکننده انجام میدهد.
نکته هیجانانگیز ماجرا اینجاست: این مدل با هزینهای حدود ۲ هزار دلار آموزش دیده که در مقایسه با مدلهای مشابه، حدود ۱۰ برابر ارزانتر و ۵ برابر کمحجمتر است! این یعنی راه برای توسعه مدلهای هوشمند توسط تیمهای کوچکتر و با منابع محدودتر هموارتر شده است.
این مدل موفق شده در بنچمارکهای درک چندوجهی به عملکردی فوقالعاده برسد و جایگاه جدیدی را در صنعت مدلهای ویژن-لنگویج (VLM) باز کند.
منبع: arXiv AI