Авторы SWAM представили метод обучения моделей, предсказывающих видео и действия
Команда собрала около 47 тысяч часов видеоданных и демонстраций и объявила о публикации данных, обучающего кода и весов модели.
ЧитатьКоманда собрала около 47 тысяч часов видеоданных и демонстраций и объявила о публикации данных, обучающего кода и весов модели.
ЧитатьKanana-2-v-decide понимает текст и изображения, выбирает следующий шаг и возвращает результат в форме, которую может сразу использовать программа.
ЧитатьМодель принимает изображения и рассчитана на длительные задачи агентов. Скачать веса пока нельзя.
ЧитатьВ техническом отчёте показана модель для одного GPU. Turbo-версия, по данным авторов, создаёт изображение 1024 × 1024 за 4,98 секунды на H20.
ЧитатьМультимодальную модель с контекстом до миллиона токенов можно развернуть на своей инфраструктуре. Файлы занимают около 1,56 ТБ.
ЧитатьМодель добавили в API 2 ноября. Meituan заявляет работу с кодом и изображениями и совместимость с несколькими агентными средами.
Читать