12月27日,星期三 02:15
火讯财经讯,据IT之家12月27日消息,清华KEG实验室近日和智谱AI合作,联合推出了新一代图像理解大模型CogAgent。该模型基于此前推出的CogVLM,通过视觉GUIAgent,使用视觉模态(而非文本)对GUI界面进行更全面直接的感知,从而作出规划和决策。据悉,CogAgent可以接受1120×1120的高分辨率图像输入,具备视觉问答、视觉定位(Grounding)、GUIAgent等多种能力,在9个经典的图像理解榜单上(含VQAv2,STVQA,DocVQA,TextVQA,MM-VET,POPE等)取得了通用能力第一的成绩。