Microsoft ngumumkeun modél AI anu ngakuan eusi gambar sareng ngalereskeun masalah visual

Modél anyar AI Kosmos-1 nyaéta Multimodal Large Language Model (MLLM), sanggup ngaréspon henteu ngan ukur kana sinyal linguistik, tapi ogé kana sinyal visual, sareng ku kituna ngaréspon langkung saé kana sesi tanya jawab.

Kecerdasan buatan multimodal (MLLM) tiasa janten konci pikeun ngembangkeun kecerdasan umum jieunan, téknologi anu tiasa ngagentos manusa dina sagala tugas atanapi padamelan intelektual.

Naon Kosmos-1

Kosmos-1 mangrupikeun modél multimodal anu dikembangkeun ku panaliti Microsoft. Senén kamari, éta diumumkeun salaku modél anu sanggup:

• maca eusi gambar,
• ngajawab teka-teki visual,
• ngakuan téks dina gambar,
• skor alus dina tés IQ visual
• ngartos parentah dirumuskeun dina basa alam.

Kamajuan dinaAKAL jieunan multimodal ditingali salaku léngkah anu penting pikeun nyiptakeun intelijen umum jieunan (AGI) anu sanggup ngalaksanakeun tugas umum tingkat manusa.

Basa Henteu Sadayana Anu Dibutuhkeun: Nyaluyukeun Persépsi sareng Modél Basa

"Salaku bagian dasar tina intelijen, persepsi multimodal mangrupikeun kabutuhan pikeun ngahontal intelijen umum jieunan, dina hal akuisisi pangaweruh sareng embedment dunya nyata," peneliti nyerat dina makalah akademikna, Basa Henteu Sadaya Anu Dibutuhkeun: Nyaluyukeun Persépsi sareng Modél Basa.

Modél Kosmos-1 tiasa nganalisis gambar sareng ngajawab patarosan ngeunaan éta, maca téks tina gambar, nyerat caption pikeun gambar, sareng skor antara 22 sareng 26 persén dina tés IQ visual, sapertos anu ditingalikeun dina conto visual dina Kosmos-1. diajar.

AGI pikeun OpenAI

OpenAI, mitra bisnis konci Microsoft dina kecerdasan jieunan, geus netepkeun AGI salaku fokus utama na. Kosmos-1 sigana mangrupikeun inisiatif ekslusif Microsoft, tanpa bantosan OpenAI.

BlogInnovazione.it