ByteDance

多模态模型学会“按需搜索”，少搜30%还更准！字节&NTU新研究优化多模态模型搜索策略

作者

字节及南洋理工大学联合研究，提出一种基于强化学习的多模态模型自主搜索训练方法，在视觉问答任务中显著提升性能，减少约30%的搜索次数。

字节跳动Seed1.5-VL复杂图表精准抽取，Deep Think是多模态未来的主流

作者

Seed1.5-VL 是一个由 ByteDance 开发的多模态语言模型，在处理复杂表格、模糊图片和几何题目等方面表现出色。其架构包含视觉编码器和MoE LLM。预训练数据包括3万亿高质量token，遵循幂律和对数线性关系。Seed1.5-VL 在Hugging Face上可用体验，并通过强化学习后处理提升性能。

字节发布通过多模态大模型实现的AI自动视频广告剪辑框架，输入产品信息和素材自动生成带货视频。

作者

字节跳动开源的Text-to-Edit项目通过文本输入实现精确控制，采用高帧率采样和慢-快处理技术提升视频理解能力，支持用户定制视频风格。