Microsoft ûntbleate in AI-model dat byldynhâld herkent en fisuele problemen reparearret

It nije model fan AI Kosmos-1 is in Multimodal Large Language Model (MLLM), yn steat om net allinich te reagearjen op taalkundige oanwizings, mar ek op fisuele oanwizings, en reagearje dêrom better op fraach-en-antwurd-sesjes.

Multimodale keunstmjittige yntelliginsje (MLLM) kin de kaai wêze foar de ûntwikkeling fan keunstmjittige algemiene yntelliginsje, in technology dy't yn 'e takomst minsken kin ferfange yn elke yntellektuele taak of wurk.

Wat is Kosmos-1

Kosmos-1 is in multimodaal model ûntwikkele troch Microsoft-ûndersikers. Ofrûne moandei waard it ûntbleate as in model dat kin:

• lês de ynhâld fan 'e ôfbyldings,
• fisuele puzels oplosse,
• herken tekst yn bylden,
• skoare goed op fisuele IQ-tests
• begryp ynstruksjes jûn yn natuerlike taal.

De ûntwikkeling fan 'eArtificial Intelligence multimodaal wurdt sjoen as in krúsjale stap nei it meitsjen fan in keunstmjittige algemiene yntelliginsje (AGI) dy't by steat is om algemiene minsklike-nivo taken út te fieren.

Taal is net alles wat jo nedich binne: Perception ôfstimme mei taalmodellen

"As in fûneminteel diel fan yntelliginsje, is multimodale waarnimming in needsaak om keunstmjittige algemiene yntelliginsje te berikken, yn termen fan kenniswinning en ynbêding yn 'e echte wrâld," skriuwe de ûndersikers yn har akademysk papier, Taal is net alles wat jo nedich binne: Perception ôfstimme mei taalmodel.

It Kosmos-1-model kin ôfbyldings analysearje en fragen deroer beäntwurdzje, tekst fan in ôfbylding lêze, ûnderskriften foar ôfbyldings skriuwe, en skoare tusken 22 en 26 prosint op in fisuele IQ-test, lykas oantoand yn 'e fisuele foarbylden yn 'e Kosmos-1 studearje.

AGI foar OpenAI

OpenAI, de wichtichste saaklike partner fan Microsoft yn keunstmjittige yntelliginsje, hat AGI as har primêre fokus set. Kosmos-1 liket in eksklusyf inisjatyf fan Microsoft te wêzen, sûnder de help fan OpenAI.

BlogInnovazione.it