SenseTimeが「SenseNova U1」をオープンソース公開、画像とテキストを単一モデルで統合生成
SenseTimeは統合マルチモーダルモデル「SenseNova U1」をオープンソース公開した。従来の視覚エンコーダを排してピクセルとテキストをエンドツーエンドで統合し、視覚推論や複雑なインフォグラフィック、テキストと画像の連続生成をこなす。ただし、写実的な人物描写には不自然なプラスチック感が残る。
SenseTimeは統合マルチモーダルモデル「SenseNova U1」をオープンソース公開した。従来の視覚エンコーダを排してピクセルとテキストをエンドツーエンドで統合し、視覚推論や複雑なインフォグラフィック、テキストと画像の連続生成をこなす。ただし、写実的な人物描写には不自然なプラスチック感が残る。