让我们看看官方演示视频吧！

VILA 是一种视觉语言模型 (VLM)，使用大规模交错图像文本数据进行预训练，可实现视频理解和多图像理解功能。

LongVILA，这是一种针对长上下文视觉语言模型的全栈解决方案，包括系统、模型训练和数据集开发。在系统方面，我们引入了第一个长上下文多模态序列并行（MM-SP）系统，该系统可实现长训练和推理，从而在256个GPU上实现2M上下文长度训练。

LongVILA，VILA升级版，长上下文的视觉语言模型插图

Github地址：https://github.com/NVlabs/VILA

论文地址：https://arxiv.org/abs/2312.07533



微信扫描下方的二维码阅读本文

LongVILA，VILA升级版，长上下文的视觉语言模型插图1

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。