连接视觉与语言,构建下一代 AGI 知识库。 这里汇聚了 CVPR,NeurIPS 等顶会精选论文与开源代码。
以稀疏注意力处理超长视频,连接时序理解、视觉推理与 Agent 协作。
汇总图像理解、OCR、数学推理与视频等公开基准,比较不同视觉语言模型的能力侧重。
精选五大核心领域,探索前沿工作。
多模态大模型训练所需的经典开源数据集。
关注全球最新的多模态技术挑战赛。
汇总国内外多模态相关会议征稿动态。