SenseTime ra mắt SenseNova-Vision-7B-MoT: Một mô hình duy nhất cho mọi tác vụ thị giác máy tính

Mã nguồn mở SenseNova-Vision-7B-MoT - một mô hình duy nhất cho tất cả các tác vụ thị giác máy tính chính.

Tái định nghĩa CV (thị giác máy tính) dưới dạng tạo lập đa phương thức. Có thể điều khiển bằng ngôn ngữ hoặc các gợi ý hình ảnh. Không cần các đầu ra (heads) chuyên biệt cho từng tác vụ - vẫn đạt trạng thái SOTA, vượt qua Vision Banana của Google DeepMind về phân đoạn (segmentation) và hình học dày đặc (dense geometry).

📊 so với Vision Banana (Google DeepMind): 🔹Phân đoạn tham chiếu (RefCOCOg cIoU): 80.3 so với 73.8 🔹Phân đoạn ngữ nghĩa (Cityscapes mIoU): 71.2 so với 69.9 🔹Ước tính độ sâu (NYUv2 δ1): 98.1 so với 94.8 🔹Pháp tuyến bề mặt (NYUv2 mean error): 14.4 so với 17.8

Được xây dựng dựa trên một thập kỷ dẫn đầu về CV của SenseTime - đứng số 1 tại thị trường Vision AI của Trung Quốc trong 10 năm liên tiếp và được Gartner vinh danh là Nhà đổi mới công nghệ trong lĩnh vực GenAI CV toàn cầu. Thị giác, giờ đây đã trở thành bản chất cốt lõi của các mô hình nền tảng. Các tác vụ mới được định nghĩa bằng chỉ dẫn - thay vì bằng các đầu ra mô hình mới.