北京
分享至
你给它一张图或一段视频，它就能回答关于这段内容的任何问题。这是 Glimpse 展示的能力，描述里用的说法是：它的表现远超前沿模型能做到的范围。
正方会认为，这说明多模态理解还有明显的空白地带。前沿模型在通用任务上分数很高，但一落到具体的图像关系判断上，未必答得上来。Glimpse 的切入点正是这块。
反方则会追问：能回答"任何问题"，和能可靠回答"任何问题"，是两件事。素材给出的例子是，Glimpse 能说出图像中物体之间的相对关系——这类问题考验的是空间与关系的细粒度理解，而不是简单的物体识别。
我的判断是，这条信息的价值不在"超越前沿模型"这个说法本身，而在于它指向的方向：图像和视频里的关系推理，正在被单独拿出来做。物体识别早已不是难点，物体之间怎么摆放、怎么互动，才是。
至于它到底强到什么程度，目前能确认的只有一个例子：物体相对关系。更多的能力边界，还得等实际使用才能看清。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
