دنیای مدلهای چندوجهی در حال کوچکتر شدن است! محققان نسخه سوم Octopus را معرفی کردهاند؛ یک مدل قدرتمند با کمتر از یک میلیارد پارامتر که بهطور اختصاصی برای اجرای روان و سریع روی دستگاههای لبه (Edge Devices) مثل رزبری پای طراحی شده است.
این مدل با استفاده از «توابع توکنی» (Functional Tokens)، شکاف بین دادههای تصویری و اقدامات عملی را در مدلهای سبک پر کرده و میتواند به خوبی زبانهای انگلیسی و چینی را درک کند. یک قدم بزرگ دیگر برای داشتن هوش مصنوعی هوشمند در جیب یا گجتهای ساده شما! 📱✨
منبع: arXiv NLP