cập nhật 52 phút trước

⏱ Độ trễ thật của tab này: trung bình 7.3 giờ sau khi CVE được công bố (n = 5337, sớm nhất 0.1 giờ). Số âm nghĩa là ta thấy trước ngày công bố.

20
Unbundling Multimodal Vision Encoding
📄 Paper HF Daily Papers 5 ngày trước

How multimodal language models should encode visual input remains up for debate. Most models use a pretrained vision encoder, while some recent recipes train the encoder from scratch with the language model or remove it entirely. Vision encoders bundle together three design choic…

🅲 hạng C