mbzuai-oryx

शानदार रीज़निंग LLM ट्यूटोरियल/सर्वेक्षण/गाइड

[ACL 2024 🔥] Video-ChatGPT एक वीडियो वार्तालाप मॉडल है जो वीडियो के बारे में सार्थक बातचीत उत्पन्न करने में सक्षम है। यह स्थानिक-अस्थायी वीडियो प्रतिनिधित्व के लिए अनुकूलित एक प्री-ट्रेनेड विजुअल एनकोडर के साथ LLM की क्षमताओं को जोड़ता है। हम वीडियो-आधारित संवादात्मक मॉडल के लिए एक कठोर 'मात्रात्मक मूल्यांकन बेंचमार्किंग' भी पेश करते हैं।

[CVPR 2024 🔥] Grounding Large Multimodal Model (GLaMM), अपनी तरह का पहला मॉडल जो ऑब्जेक्ट सेगमेंटेशन मास्क के साथ सहजता से एकीकृत प्राकृतिक भाषा प्रतिक्रियाएं उत्पन्न करने में सक्षम है।

🔥🔥 LLaVA++: Phi-3 और LLaMA-3 के साथ LLaVA का विस्तार (LLaVA LLaMA-3, LLaVA Phi-3)

[CVPR 2024 🔥] GeoChat, रिमोट सेंसिंग के लिए पहला ग्राउंडेड लार्ज विज़न लैंग्वेज मॉडल

[ICLR-2025-SLLM स्पॉटलाइट 🔥] MobiLlama: एज डिवाइसों के लिए तैयार किया गया स्मॉल लैंग्वेज मॉडल।

[BIONLP@ACL 2024] XrayGPT: मेडिकल विजन-लैंग्वेज मॉडल का उपयोग करके चेस्ट रेडियोग्राफ का सारांश।