टेनसेंटने WeVisOne-VL लाँच केले, अनेक इमेज कामांसाठी एकच मॉडेल
टेनसेंटच्या WeChat Vision टीमने WeVisOne-VL हे ओपन-लायसन्स व्हिजन मॉडेल प्रसिद्ध केले आहे. ते 2B आणि 4B अशा दोन आकारांमध्ये आहे. वेगवेगळी साधने वापरण्याऐवजी, हे एकाच सिस्टममध्ये वस्तू ओळखू शकते, चित्रांमधील मजकूर वाचू शकते, वस्तू मोजू शकते, पार्श्वभूमीपासून मुख्य विषय वेगळा करू शकते आणि बारीक कडांचे काम देखील करू शकते.
सोपा शब्दकोशTencent, vision language model, alpha matting, OCR
- Tencent
- चीनमधील एक मोठी तंत्रज्ञान कंपनी, जी WeChat मेसेजिंग ॲप आणि लोकप्रिय ऑनलाइन गेम्ससाठी ओळखली जाते.
- vision language model
- एक AI मॉडेल जे चित्रे आणि लिखित शब्द दोन्ही समजते, आणि चित्रांबद्दल प्रश्नांची उत्तरे देऊ शकते किंवा सूचना पाळू शकते.
- alpha matting
- एक तंत्र जे विषयाला पार्श्वभूमीपासून वेगळे करते आणि केसांसारख्या मऊ, बारीक कडा अबाधित ठेवते.
- OCR
- सॉफ्टवेअर जे छापील किंवा हस्तलिखित शब्द फोटो किंवा स्कॅन केलेल्या पानावरून वाचून संपादन करता येणाऱ्या मजकुरात बदलते.
बर्निंग पोटॅटो स्कोअर: 63%