Яндекс Метрика
Мультимодальная модель, Языковая модель, Компьютерное зрение

Flan T5-XXL + BLIP-2

Salesforce Research
Vision-language generationЧат-ботВизуальные ответы на вопросы

Мощная мультимодальная ИИ-система, которая объединяет возможности понимания текста и компьютерного зрения. Благодаря связке архитектур от Salesforce, этот ИИ может поддерживать диалог и давать точные ответы на вопросы по загруженным изображениям.

The cost of vision-and-language pre-training has become increasingly prohibitive due to end-to-end training of large-scale models. This paper proposes BLIP-2, a generic and efficient pre-training strategy that bootstraps vision-language pre-training from off-the-shelf frozen pre-trained image encoders and frozen large language models. BLIP-2 bridges the modality gap with a lightweight Querying Transformer, which is pre-trained in two stages. The first stage bootstraps vision-language representation learning from a frozen image encoder. The second stage bootstraps vision-to-language generative learning from a frozen language model. BLIP-2 achieves state-of-the-art performance on various vision-language tasks, despite having significantly fewer trainable parameters than existing methods. For example, our model outperforms Flamingo80B by 8.7% on zero-shot VQAv2 with 54x fewer trainable parameters. We also demonstrate the model's emerging capabilities of zero-shot image-to-text generation that can follow natural language instructions.

Что такое Flan T5-XXL + BLIP-2?+
Кто разработал Flan T5-XXL + BLIP-2?+
Какие задачи решает Flan T5-XXL + BLIP-2?+