MarsX

Vision Search Assistant（VSA）是结合视觉语言模型（VLMs）和网络代理的框架，提升模型对未知视觉内容的理解能力。基于互联网检索，使VLMs处理和回答有关未见图像的问题。VSA在开放集和封闭集问答测试中表现出色，显著优于包括LLaVA-1 6-34B、Qwen2-VL-72B和InternVL2-76B在内的其他模型。

AI教程资讯 2025-02-08

MVDrag3D是创新的3D编辑框架，结合多视图生成和重建先验实现灵活且富有创造性的拖拽编辑。框架用多视图扩散模型作为生成先验，确保在多个渲染视图间进行一致的拖拽编辑，基于重建模型重建编辑对象的3D高斯表示，用视图特定的变形网络调整高斯位置实现视图间的对齐，最终用多视图分数函数增强视图一致性和视觉质量。

AI教程资讯 2025-02-08

Chonkie是轻量级、快速且功能丰富的RAG（Retrieval-Augmented Generation）分块库，为文本处理设计。Chonkie支持基于Token、单词、句子和语义的多种分块方法，易于安装和使用，无冗余，适合各种自然语言处理任务。Chonkie以高效性能和广泛的tokenizer支持，成为开发者在构建RAG应用时的首选库。

AI教程资讯 2025-02-08

MSQA（Multi-modal Situated Question Answering）是大规模多模态情境推理数据集，提升具身AI代理在3D场景中的理解与推理能力。数据集包含251K个问答对，覆盖9个问题类别，基于3D场景图和视觉-语言模型在真实世界3D场景中收集。MSQA用文本、图像和点云的交错多模态输入，减少单模态输入的歧义。

AI教程资讯 2025-02-08