GenLIP：生成式语言-图像预训练
深度2026年5月6日37 分钟阅读
本文最有趣的发现是：通过简单的语言建模目标预训练ViT，即可高效对齐视觉与语言模态，甚至优于复杂的对比学习方法。推荐对多模态大模型、视觉语言预训练感兴趣的研究者阅读。
本文编译自 Let ViT Speak: Generative Language-Image Pre-training，版权归原作者所有。
觉得有用？分享给更多人
相关文章
北京大学对1888个GitHub仓库的研究显示，AI编码助手并未挤出开源项目的新人，但维护者的工作量显著增加，PR数量翻近四倍，代码复杂度小幅上升。
深度The New Stack·7月6日·5 分钟
Vercel CEO Guillermo Rauch 接受 TechCrunch 采访，讨论了智能体在生产环境中的现实挑战：数据安全、审计追踪、工具调用权限。他提出模型与智能体应解耦，Vercel 的 Eve 框架和 Sandbox 产品旨在提供灵活的“插拔”架构。同时他观察到，谷歌 Gemini、DeepSeek 等模型因性价比而崛起，客户正从单一模型合作伙伴转向多模型策略。
深度·7月6日·6 分钟