Chinese contentLogT:用逻辑链驱动的图像思考提升视觉搜索能力
这篇论文有意思的地方是反过来做:不堆 RL 算力,而是把 SFT 数据的逻辑质量做扎实。Qwen2.5-VL-7B 微调后只用原来 1/120 的 GPU 时间就超过了此前 SFT+RL 的最强结果。做视觉 Agent 或多模态训练的团队值得看他们的数据构造方法。
这篇论文有意思的地方是反过来做:不堆 RL 算力,而是把 SFT 数据的逻辑质量做扎实。Qwen2.5-VL-7B 微调后只用原来 1/120 的 GPU 时间就超过了此前 SFT+RL 的最强结果。做视觉 Agent 或多模态训练的团队值得看他们的数据构造方法。
把刷图找灵感和购物合成了一个流程:AI 生成带真实家具的场景图,点击就能买,比在 Pinterest 上找图再自己搜同款省事多了。
Cloudflare 推出了 AI Search,支持图像和 PDF 搜索,文件大小限制 10MiB,兼容各种聊天模型。
Pinterest 用 AWS Trainium 芯片加速 AI 视觉搜索,做个性化推荐和视觉内容处理的团队可以关注这种硬件选择如何提升效率。
高分辨率图像感知是 MLLMs 落地的硬骨头,CVSearch 用零训练成本解决了覆盖率和效率的矛盾,做多模态感知或视觉问答的团队可以直接拿来用。