在这篇文章中，我们演示了如何使用自然语言和图像查询使用大型视觉模型（LVM）进行语义视频搜索。我们介绍了一些特定于用例的方法，例如时间框架平滑和聚类，以增强视频搜索性能。此外，我们通过在Amazon Sagemaker AI上使用异步和实时托管选项来演示这种方法的端到端功能，以使用拥抱面部模型中心上的公开可用的LVMS执行视频，图像和文本处理。最后，我们将Amazon OpenSearch与其矢量引擎一起用于低延迟语义视频搜索。
Study shows vision-language models can’t handle queries with negation words
诸如“否”和“不”之类的词可能会导致这种流行的AI类模型在高风险设置（例如医学诊断）中意外失败。
Ecologists find computer vision models’ blind spots in retrieving wildlife images
生物多样性研究人员测试了视觉系统检索相关自然图像的能力。更先进的模型在简单查询上表现良好，但在更多特定于研究的提示上表现不佳。
4M-21: An Any-to-Any Vision Model for Tens of Tasks and Modalities
*平等贡献者当前的多模态和多任务基础模型（如 4M 或 UnifiedIO）显示出了良好的结果，但在实践中，它们接受不同输入和执行不同任务的开箱即用能力受到它们所训练的模态和任务数量（通常相当少）的限制。在本文中，我们通过在数十种高度多样化的模态上对其进行训练以及在大规模多模态数据集和文本语料库上进行联合训练，显著扩展了 4M 的功能。这包括对几种语义和几何模态、特征图的训练......
Choose Diversity When Sourcing Training Data For Computer Vision Models
计算机视觉 (CV) 是人工智能的一个小众子集，它正在弥合科幻与现实之间的差距。上个世纪的小说、电影和广播剧中都有引人入胜的机器故事，它们像人类一样观察环境并与之互动。但今天，这一切都变成了现实，这要归功于 CV […]
Sapiens: Foundation for Human Vision Models
大规模预训练和针对特定任务的语言建模微调取得了显著成功，这种方法已成为一种标准做法。同样，计算机视觉方法也逐渐采用大规模数据进行预训练。LAION5B、Instagram-3.5B、JFT-300M、LVD142M、Visual Genome 和 YFCC100M 等大型数据集的出现使得人们能够探索数据[…]The post Sapiens：人类视觉模型的基础首先出现在 Unite.AI 上。
Train fast computer vision models with slower multimodal AI | Viam
在数十亿个参数上训练的人工智能模型非常强大，但并不总是适合实时使用。了解如何使用较慢的多模态人工智能训练快速计算机视觉模型。
See, Think, Explain: The Rise of Vision Language Models in AI
大约十年前，人工智能在图像识别和语言理解之间被划分。视觉模型可以发现对象，但无法描述它们，语言模型会生成文本，但无法“看到”。今天，这种分歧正在迅速消失。视觉语言模型（VLM）现在结合了视觉和语言技能，使他们能够解释图像并解释图像[…]帖子，思考，解释：AI中视觉语言模型的兴起首先出现在Unite.ai上。
When AI Backfires: Enkrypt AI Report Exposes Dangerous Vulnerabilities in Multimodal Models
2025年5月，Enkrypt AI发布了其多模式的红色小组报告，这是一项令人震惊的分析，揭示了可以将高级AI系统轻松地操纵到产生危险和不道德的内容中。该报告的重点是Mistral的两种领先的视觉模型-Pixtral-Large（25.02）和Pixtral-12b，并描绘了模型的图片，这些模型不仅在技术上令人印象深刻的[…] AI反射：Enkrypt AI Report在AI Report中揭示了Multimodal模型中的危险漏洞时，首先出现在Unite.ai上。
The ‘Download More Labels!’ Illusion in AI Research
当前机器学习研究中的一种常见观点是，机器学习本身可用于提高AI数据集注释的质量，尤其是旨在用于视觉模型（VLMS）的图像标题。这种思维方式是由人类注释的高成本驱动的，并且监督注释者的增加负担[…]帖子“下载更多标签！” AI研究中的幻觉首先出现在Unite.ai上。
«Северсталь»: ИИ оптимизирует загрузку персонала
Severstal Dijital Projects的高级经理Valery Shkurenko在引入计算机视觉模型时，以优化人员在生产管道租赁时的负载。
Teaching AI to Give Better Video Critiques
虽然大型视觉模型（LVLM）可以在解释计算机视觉文献中一些更具山一个或挑战性的提交中有用的助手，但在某些领域中，它们正在陷入困境：确定随附新论文的任何视频示例的优点和主观质量*。这是提交的关键方面，因为科学论文[…]教授AI的文章首先在Unite.AI上出现了更好的视频评论。
Using AI Hallucinations to Evaluate Image Realism
俄罗斯的新研究提出了一种非常规的方法来检测不现实的AI生成的图像 - 不是通过提高大型视觉模型（LVLM）的准确性，而是通过故意利用其幻觉的趋势来检测不切实际的方法。这种新方法使用LVLM提取了关于图像的多个“原子事实”，然后应用自然语言推断（NLI），以系统地测量[…]使用AI幻觉来评估图像现实主义的帖子之间的矛盾，首先出现在Unite.ai上。
StereoLabs unveils ZED SDK 5 with Terra AI, revolutionizing vision-based sensing
Stereolabs是Vision AI技术的全球领导者，今天介绍了由Terra AI提供支持的Zed SDK 5，该技术迄今为止最先进的视觉模型。该版本重新定义了AI感知，具有5倍的感应性能，jetson的负载降低了300％，并且在具有挑战性的条件下，降低了300％的负载质量和无与伦比的深度质量。 Terra AI只是世界上最准确，最快，最轻巧的基于视觉的Sensing AI，可用于各种机器人应用，例如AMR，送货机器人，机器人割草机，机器人武器，农业武器，农业车辆以及诸如仓库和工厂自动化之类的广泛工业应用，以及常见的数字二线应用。 立体声啤酒今天宣布了新的ZED Box Mini“ Su
Stereolabs introduces ZED Box Mini: the most compact and affordable PC for Vision AI
Stereolabs是Vision AI技术的全球领导者，今天介绍了由Terra AI提供支持的Zed SDK 5，该技术迄今为止最先进的视觉模型。该版本重新定义了AI感知，具有5倍的感应性能，jetson的负载降低了300％，并且在具有挑战性的条件下，降低了300％的负载质量和无与伦比的深度质量。 Terra AI只是世界上最准确，最快，最轻巧的基于视觉的Sensing AI，可用于各种机器人应用，例如AMR，送货机器人，机器人割草机，机器人武器，农业武器，农业车辆以及诸如仓库和工厂自动化之类的广泛工业应用，以及常见的数字二线应用。
Roadmap to Becoming a Data Scientist, Part 4: Advanced Machine Learning
引言数据科学无疑是当今最迷人的领域之一。大约十年前，在机器学习方面取得了重大突破之后，数据科学在技术界的普及激增。每年，我们都会看到越来越强大的工具，这些工具曾经似乎无法想象。诸如变压器体系结构，chatgpt，检索型发电（RAG）框架和最先进的计算机视觉模型（包括gans）之类的创新具有[…]成为数据科学家的后路线图，第4部分：先进的机器学习首先出现在数据科学方面。
Fine-tune multimodal models for vision and text use cases on Amazon SageMaker JumpStart
在本文中，我们将展示如何微调文本和视觉模型（例如 Meta Llama 3.2），以便在视觉问答任务中表现更好。Meta Llama 3.2 Vision Instruct 模型在具有挑战性的 DocVQA 视觉问答基准上表现出色。通过利用 Amazon SageMaker JumpStart 的强大功能，我们展示了调整这些生成式 AI 模型以更好地理解和回答有关图像的自然语言问题的过程。
