ມັລຕິໂມດອລ · ແຜນງານ ແຜນງານ — ຍັງບໍ່ໄດ້ສົ່ງມອບ

ໂມເດວໄທ ທີ່ທ່ານສາມາດສະແດງສິ່ງຕ່າງໆໃຫ້ເບິ່ງໄດ້.

ພາສາໄທສ່ວນໃຫຍ່ທີ່ສຳຄັນ ບໍ່ໄດ້ຖືກພິມເຂົ້າ. ມັນຖືກປະທັບຕາ, ຖ່າຍຮູບ, ຂຽນດ້ວຍມື, ປຣິ້ນແລ້ວສະແກນຄືນ, ເວົ້າເປັນພາສາຖິ່ນ ຫຼື ອ່ານອອກສຽງໃຫ້ຄົນທີ່ອ່ານບໍ່ໄດ້ຟັງ. ໂມເດວທີ່ຮັບໄດ້ແຕ່ຂໍ້ຄວາມ ບໍ່ເຂົ້າເຖິງສິ່ງເຫຼົ່ານັ້ນເລີຍ. ນີ້ແມ່ນສິ່ງທີ່ຈະປ່ຽນໄປ, ເປັນຫຍັງພາສາໄທໂດຍສະເພາະຈຶ່ງຕ້ອງການມັນ ແລະ ປະມານເມື່ອໃດ.

ໂມເດວມັລຕິໂມດອລແມ່ນຫຍັງ

ໂມເດວຂໍ້ຄວາມອ່ານໂທເຄັນ. ໂມເດວມັລຕິໂມດອລ ຮັບຂໍ້ມູນເຂົ້າຫຼາຍກວ່າໜຶ່ງປະເພດ — ຮູບ, ສຽງ, ວິດີໂອ, ເອກະສານ — ແລະ ໃຊ້ເຫດຜົນກັບພວກມັນໃນບໍລິບົດດຽວກັບຂໍ້ຄວາມ. ໂຄງສ້າງທີ່ນິຍົມ ເຊື່ອມຕົວເຂົ້າລະຫັດ (encoder) ສຳລັບແຕ່ລະຮູບແບບຂໍ້ມູນເຂົ້າກັບໂມເດວພາສາ ແລະ ຝຶກສ່ວນເຊື່ອມນັ້ນ ເພື່ອໃຫ້ຮູບກາຍເປັນສິ່ງທີ່ໂມເດວພາສາເອົາໃຈໃສ່ໄດ້ ຄຽງຄູ່ກັບຄຳໃນ prompt.

ຄຳທີ່ສຳຄັນໃນທາງປະຕິບັດ ແມ່ນໂມເດວພາບ-ພາສາ (vision-language model): ໂມເດວພາສາທີ່ມີຕົວເຂົ້າລະຫັດຮູບ ເຊິ່ງເປັນສິ່ງທີ່ເກືອບທຸກຄວາມສາມາດແບບ “ມັນອ່ານພາບໜ້າຈໍຂອງຂ້ອຍໄດ້ບໍ່” ເປັນແທ້. ຄຳນິຍາມຂອງ IBM ແມ່ນສະບັບສັ້ນ — ໂມເດວທີ່ປະມວນຜົນ ແລະ ໃຊ້ເຫດຜົນຂ້າມຫຼາຍຮູບແບບຂໍ້ມູນ ເຊັ່ນ ຂໍ້ຄວາມ, ຮູບ ແລະ ສຽງ — ແລະ ອະພິທານສັບຂອງ NVIDIA ແມ່ນສະບັບສັ້ນສຳລັບເຄິ່ງດ້ານພາບ.

ແນວຄິດນີ້ເກົ່າກວ່າກະແສປັດຈຸບັນ. CLIP ສະແດງໃນປີ 2021 ວ່າ ຮູບ ແລະ ຂໍ້ຄວາມ ສາມາດຝຶກເຂົ້າໃນພື້ນທີ່ຮ່ວມກັນໄດ້ ໂດຍໃຊ້ພາສາທຳມະຊາດເປັນຕົວກຳກັບ; Flamingo ສະແດງວ່າ ໂມເດວພາສາທີ່ຖືກແຊ່ແຂງໄວ້ ສາມາດຮຽນຮູ້ການເອົາໃຈໃສ່ຮູບຈາກຕົວຢ່າງພຽງບໍ່ເທົ່າໃດ; ການປັບແຕ່ງດ້ວຍຄຳສັ່ງທາງພາບ ເຮັດໃຫ້ຜົນລັບກາຍເປັນສິ່ງທີ່ລົມນຳໄດ້. ທຸກຢ່າງທີ່ໃຊ້ງານຢູ່ມື້ນີ້ ສືບເຊື້ອສາຍມາຈາກສາມງານນີ້.

ອ່ານແຫຼ່ງຂໍ້ມູນຕົ້ນສະບັບ

ເປັນຫຍັງພາສາໄທຈຶ່ງຕ້ອງການສິ່ງນີ້ຫຼາຍກວ່າພາສາອັງກິດ

ນີ້ບໍ່ແມ່ນຄຸນສົມບັດດຽວກັນໃນພາສາອື່ນ. ມີສີ່ຢ່າງທີ່ເຮັດໃຫ້ການອ່ານເອກະສານພາສາໄທດ້ວຍພາບ ເປັນບັນຫາທາງເຕັກນິກສະເພາະ ແລະ ທັງສີ່ຢ່າງ ເປັນເຫດຜົນທີ່ໂມເດວທົ່ວໄປເຮັດໄດ້ບໍ່ດີ.

1

OCR ພາສາໄທ ຍັງແກ້ບໍ່ໄດ້

ບໍ່ມີການເວັ້ນວັກລະຫວ່າງຄຳ ຕົວຈຳແນກຈຶ່ງໃຊ້ຊ່ອງຫວ່າງຊອກຫາຂອບເຂດບໍ່ໄດ້. ສະຫຼະ ແລະ ວັນນະຍຸດຊ້ອນກັນໄດ້ເຖິງສີ່ຊັ້ນອ້ອມພະຍັນຊະນະ ແລະ ການສະແກນທີ່ເຮັດແຖວເທິງສຸດຫາຍໄປ ຈະປ່ຽນຄຳໄປຢ່າງງຽບໆ ແທນທີ່ຈະເຮັດໃຫ້ມັນເສຍຢ່າງເຫັນໄດ້ຊັດ.

2

ເອກະສານຖືກຖ່າຍຮູບ ບໍ່ແມ່ນສະແກນ

ຂໍ້ມູນເຂົ້າແທ້ ແມ່ນຮູບຖ່າຍຈາກມືຖືຂອງໜ້າທີ່ປະທັບຕາເທິງໂຕະ, ອຽງ, ໃນຫ້ອງການທີ່ມີຫຼອດໄຟນີອອນດອກດຽວ. ການທົດສອບມາດຕະຖານດ້ວຍເອກະສານສະແກນທີ່ສະອາດ ບໍ່ໄດ້ບອກຫຍັງກ່ຽວກັບສິ່ງນັ້ນເລີຍ.

3

ລາຍມືຍັງເປັນຊ່ອງທາງຫຼັກ

ທະບຽນຂອງບ້ານ, ບັນທຶກຂອງສຸກສາລາ, ໃບສົ່ງເຄື່ອງ, ໃບຄະແນນຂອງໂຮງຮຽນ. ລາຍມືໄທ ຕໍ່ ແລະ ຫຍໍ້ຕົວອັກສອນໃນແບບທີ່ການຝຶກດ້ວຍຕົວພິມ ບໍ່ຄອບຄຸມ.

4

ຕົວເລກບໍ່ແມ່ນພຽງຕົວເລກ

ຕົວເລກໄທ ๐–๙ ຄຽງຂ້າງຕົວເລກອາຣັບ, ປີພຸດທະສັກກະລາດທີ່ນຳໜ້າຄິດສະຕະສັກກະລາດ 543 ປີ ແລະ ຈຳນວນເງິນບາດທີ່ຂຽນຕາມແບບຕົວເລກໄທ. ອ່ານປີຜິດ ແລ້ວທຸກວັນທີໃນເອກະສານກໍຜິດ.


ສີ່ປະສາດສຳຜັດ, ສາມໂມເດວ

ສົ່ງມອບເປັນໂມເດວແຍກກັນ ແທນທີ່ຈະເປັນໂມເດວໃຫຍ່ຕົວດຽວ ເພາະເມື່ອນັ້ນເຣົາເຕີສາມາດສົ່ງຮູບໄປຫາໂມເດວທີ່ອ່ານ ແລະ ສຽງບັນທຶກໄປຫາໂມເດວທີ່ຟັງ — ແລະ ບໍ່ມີຕົວໃດຕ້ອງຈ່າຍຄ່ານ້ຳໜັກ (weights) ຂອງອີກຕົວ.

ຮູບ · ເຟຣມວິດີໂອ

ThaiLLM-Vision

ຮູບຖ່າຍ, ພາບໜ້າຈໍ, ແຜນພູມ, ຊັ້ນວາງສິນຄ້າ, ສາກ, ແບບຟອມ. ຕອບເປັນພາສາໄທກ່ຽວກັບສິ່ງທີ່ຢູ່ໃນຮູບ ພ້ອມບອກພາກພື້ນທີ່ໃຫ້ບໍລິການ.

ເອກະສານ · ລາຍມື

ThaiLLM-Scribe

ຜູ້ຊ່ຽວຊານດ້ານເອກະສານ: ເອກະສານພາສາໄທທີ່ປະທັບຕາ, ສະແກນ, ອຽງ, ມີຫຼາຍຖັນ ແລະ ຂຽນດ້ວຍມືບາງສ່ວນ ຖືກປ່ຽນເປັນຊ່ອງຂໍ້ມູນທີ່ມີໂຄງສ້າງ ທີ່ທ່ານໃສ່ຖານຂໍ້ມູນໄດ້.

ສຽງເຂົ້າ · ສຽງອອກ

ThaiLLM-Voice

ການຮັບຮູ້ ແລະ ສັງເຄາະສຽງພາສາໄທ ໃນສີ່ພາສາຖິ່ນ ລວມທັງກໍລະນີທົ່ວໄປທີ່ຄຳຖາມເປັນພາສາອີສານ ຕ້ອງຕອບເປັນພາສາໄທກາງ — ຫຼື ກົງກັນຂ້າມ.

ທັງໝົດຂ້າງເທິງ ຮ່ວມກັນ

ຂ້າມຮູບແບບ

ອັນທີ່ສຳຄັນແທ້: ຮູບໜຶ່ງໃບ ແລະ ຄຳຖາມທີ່ເວົ້າອອກສຽງ ໃນຄຳຮ້ອງດຽວກັນ ຕອບໂດຍອີງໃສ່ເອກະສານຂອງທ່ານເອງ. ນັ້ນແມ່ນຄວາມສາມາດທີ່ໂມເດວແຍກກັນມີໄວ້ ເພື່ອເຮັດໃຫ້ມັນລາຄາຖືກ.


ສິບແປດຢ່າງທີ່ເມື່ອກ່ອນເຮັດບໍ່ໄດ້

ແຕ່ລະຢ່າງແມ່ນວຽກທີ່ມີຄົນໃນປະເທດໄທເຮັດຢູ່ມື້ນີ້ ດ້ວຍການພິມສິ່ງທີ່ຢູ່ຕໍ່ໜ້າຄືນໃໝ່. ເປັນຕົວຢ່າງເພື່ອອະທິບາຍ — ບອກຄວາມສາມາດທີ່ຕັ້ງໃຈ ບໍ່ແມ່ນຄຸນສົມບັດທີ່ສົ່ງມອບແລ້ວ.

ລັດຖະບານ ແລະ ພາກລັດ

ຖ່າຍຮູບໜ້າປຶ້ມທະບຽນບ້ານ

ສ່ອງກ້ອງໄປທີ່ ทะเบียนบ้าน ແລ້ວໄດ້ທຸກຊ່ອງຂໍ້ມູນກັບຄືນມາເປັນຂໍ້ມູນທີ່ມີໂຄງສ້າງ — ຊື່, ເລກບັດປະຈຳຕົວ, ທີ່ຢູ່, ທັງໝົດ — ໂດຍບໍ່ຕ້ອງມີເຈົ້າໜ້າທີ່ພິມຄືນແມ່ນແຕ່ຊ່ອງດຽວ ຕອນສີ່ໂມງແລງ.

ອ່ານປະກາດໃນ Royal Gazette ຈາກຮູບຖ່າຍ

ໜ້າ ราชกิจจานุเบกษา ທີ່ສະແກນ ກາຍເປັນບົດສະຫຼຸບ ທີ່ທຸກພັນທະກວດຄືນໄດ້ເຖິງມາດຕາທີ່ມັນມາ ແລະ ວັນທີມີຜົນບັງຄັບໃຊ້ ຖືກອ່ານເປັນປີພຸດທະສັກກະລາດ ແທນທີ່ຈະເດົາ.

ປ່ຽນບົດບັນທຶກກອງປະຊຸມບ້ານທີ່ຂຽນດ້ວຍມື ໃຫ້ເປັນເອກະສານ

ຖ່າຍຮູບໜ້າທີ່ເລຂາຄະນະກຳມະການຂຽນແທ້ ແລ້ວໄດ້ບົດບັນທຶກພາສາໄທທີ່ພິມແລ້ວ ໃນລະດັບພາສາລັດຖະການ ໂດຍຂຽນຊື່ຄົນແບບດຽວກັນ ແລະ ມີເລກລຳດັບມະຕິ.

ກວດແບບຟອມກ່ອນເຂົ້າແຖວ

ຖ່າຍຮູບແບບຟອມຂອງກະຊວງທີ່ຕື່ມໄປເຄິ່ງໜຶ່ງ ແລ້ວຮູ້ວ່າຊ່ອງໃດຍັງຂາດ, ຕາປະທັບໃດຍັງບໍ່ມີ ແລະ ເອກະສານຄັດຕິດໃດທີ່ຫ້ອງການຈະສົ່ງທ່ານກັບບ້ານ.

ສາທາລະນະສຸກ

ອະທິບາຍປ້າຍຢາອອກສຽງ

ຮູບຖ່າຍປ້າຍຮ້ານຂາຍຢາໄທ ກາຍເປັນຄຳອະທິບາຍດ້ວຍສຽງ ເປັນພາສາໄທງ່າຍໆ ກ່ຽວກັບປະລິມານ ແລະ ເວລາກິນຢາ — ສຳລັບຄົນເຈັບທີ່ອ່ານຊ້າ ຫຼື ບໍ່ຄຸ້ນກັບລະດັບພາສາທີ່ຂຽນປ້າຍ.

ເຮັດໃຫ້ໃບອອກໂຮງໝໍເປັນປະໂຫຍດ

ຖ່າຍຮູບບົດສະຫຼຸບການອອກໂຮງໝໍ ແລ້ວໄດ້ “ສິ່ງທີ່ຕ້ອງເຮັດອາທິດນີ້” ເປັນພາສາຖິ່ນທີ່ເວົ້າຢູ່ເຮືອນ ໂດຍວັນນັດກວດຄືນ ຖືກແປງຈາກ พ.ศ. ແລະ ໃສ່ໄວ້ໃນການແຈ້ງເຕືອນ.

ກະສິກຳ

ວິນິດໄສໃບເຂົ້າຈາກຮູບຖ່າຍ

ສະແດງຈຸດທີ່ເສຍຫາຍ ແລ້ວຮູ້ວ່າມັນຄ້າຍກັບຫຍັງ, ມັກຖືກສັບສົນກັບຫຍັງ ແລະ ຄວນໂທຫາຫ້ອງການສົ່ງເສີມກະສິກຳແຂວງໃດ — ພ້ອມກັບການປະຕິເສດຢ່າງຊັດເຈນ ທີ່ຈະແນະນຳວິທີປິ່ນປົວທີ່ມັນບໍ່ແນ່ໃຈ.

ອ່ານຖົງຝຸ່ນ ແລະ ຄິດໄລ່ປະລິມານ

ຖ່າຍຮູບຖົງ, ບອກຂະໜາດທີ່ດິນເປັນໄຣ່ອອກສຽງ ແລ້ວໄດ້ອັດຕາສ່ວນການປະສົມກັບຄືນເປັນສຽງ ແບບອອບໄລນ໌ ໃນຂະນະທີ່ຢືນຢູ່ກາງທົ່ງ.

ການຄ້າ ແລະ ການເງິນ

ປ່ຽນກອງໃບບິນໃຫ້ເປັນຕາຕະລາງອາກອນມູນຄ່າເພີ່ມ

ຖ່າຍຮູບກອງໃບບິນ. ໄດ້ຕາຕະລາງຂອງຜູ້ສະໜອງ, ເລກອາກອນ, ວັນທີ, ອາກອນມູນຄ່າເພີ່ມ ແລະ ຍອດລວມ ພ້ອມໝາຍຈຸດທີ່ໃບບິນບໍ່ແມ່ນໃບເກັບເງິນອາກອນເຕັມຮູບແບບ ແລະ ຈະບໍ່ຜ່ານການກວດສອບ.

ກວດທຽບໃບຢັ້ງຢືນ PromptPay ກັບໃບແຈ້ງໜີ້

ພາບໜ້າຈໍຂອງໃບຢັ້ງຢືນການໂອນ ຈັບຄູ່ກັບໃບແຈ້ງໜີ້ທີ່ມັນຈ່າຍ ໂດຍກວດຈຳນວນເງິນ ແລະ ເລກອ້າງອີງ ແລະ ບອກຄວາມຕ່າງອອກມາ ແທນທີ່ຈະປ່ອຍຜ່ານຢ່າງງຽບໆ.

ນັບຊັ້ນວາງສິນຄ້າ

ຖ່າຍຮູບຊັ້ນວາງ ແລ້ວໄດ້ລາຍການສິນຄ້າພາສາໄທ ພ້ອມຈຳນວນໜ້າສິນຄ້າ ແລະ ບ່ອນທີ່ວ່າງ — ວຽກທີ່ມື້ນີ້ມີຄົນຖືກະດານຍ່າງຜ່ານລ່ອງຊັ້ນສອງເທື່ອ.

ການສຶກສາ

ສ້າງບົດຮຽນຈາກໜ້າປຶ້ມແບບຮຽນ

ຖ່າຍຮູບໜ້ານັ້ນ ແລ້ວໄດ້ແຜນການສອນທີ່ຕິດພັນກັບເປົ້າໝາຍຂອງຫຼັກສູດແຫ່ງຊາດ ພ້ອມບອກຊັດເຈນເຖິງສອງເປົ້າໝາຍທີ່ໜ້ານັ້ນບໍ່ໄດ້ກວມເອົາ.

ກວດວຽກບ້ານພາສາໄທທີ່ຂຽນດ້ວຍມື

ຖ່າຍຮູບໜ້າຂອງນັກຮຽນ ແລ້ວໄດ້ຄວາມຜິດດ້ານການສະກົດ, ວັນນະຍຸດ ແລະ ການເວັ້ນວັກ ໝາຍພ້ອມກົດທີ່ແຕ່ລະອັນລະເມີດ — ເພື່ອໃຫ້ການກວດແກ້ເປັນການສອນ ບໍ່ແມ່ນພຽງການໃຫ້ຄະແນນ.

ການທ່ອງທ່ຽວ ແລະ ການບໍລິການ

ແປເມນູໂດຍບໍ່ໃຫ້ອາຫານຫາຍໄປ

ຖ່າຍຮູບເມນູ. ແຂກໄດ້ພາສາຂອງຕົນ ແລະ ຂໍ້ມູນສານກໍ່ພູມແພ້; ອາຫານຍັງຄົງຊື່ພາສາໄທ ເພາະ ผัดกะเพรา ບໍ່ແມ່ນ “ໃບກະເພົາຂົ້ວ” ແລະ ຮ້ານອາຫານບໍ່ຄວນຕ້ອງທຳທ່າວ່າມັນແມ່ນ.

ອ່ານຈາລຶກ

ຖ່າຍຮູບຈາລຶກໃນວັດ ແລ້ວໄດ້ການຖອດອັກສອນ, ການອ່ານເປັນພາສາໄທງ່າຍໆ ແລະ ໝາຍເຫດຢ່າງຊື່ສັດ ວ່າຕົວອັກສອນໃດສຶກຫຼາຍເກີນກວ່າຈະອ່ານໄດ້.

ອຸດສາຫະກຳ ແລະ ການຂົນສົ່ງ

ນຳໃບສົ່ງເຄື່ອງເຂົ້າລະບົບ

ຖ່າຍຮູບໃບສົ່ງເຄື່ອງທີ່ບ່ອນຂຶ້ນລົງສິນຄ້າ ແລ້ວປ່ອຍໃຫ້ຊ່ອງຂໍ້ມູນທີ່ມີໂຄງສ້າງເຂົ້າໄປໃນ WMS — ລວມທັງການແກ້ຈຳນວນທີ່ມີຄົນຂຽນດ້ວຍບິກ.

ຂຽນລາຍງານເຫດການຈາກພາບ

ພາບນິ່ງຈາກກ້ອງວົງຈອນປິດ ກາຍເປັນບັນທຶກເຫດການພາສາໄທ ທີ່ມີຄຳອະທິບາຍ ແລະ ເວລາກຳກັບ ໃນລະດັບພາສາທີ່ລາຍງານຕ້ອງຍື່ນ ເພື່ອໃຫ້ຄົນເຊັນ.

ການເຂົ້າເຖິງ

ອະທິບາຍຫ້ອງ

ສ່ອງກ້ອງ ແລ້ວຟັງເປັນພາສາໄທວ່າມີຫຍັງຢູ່ຕໍ່ໜ້າທ່ານ ຕາມຈັງຫວະການຍ່າງ — ສະບັບຂອງເຕັກໂນໂລຊີນີ້ ທີ່ບໍ່ແມ່ນຄຸນສົມບັດເພີ່ມຜົນຜະລິດເລີຍ.


ໜ້າຕາໃນ API

endpoint ດຽວກັນ. ຮູບໜຶ່ງໃບໃນ array content ແລ້ວເຣົາເຕີຈັດການສ່ວນທີ່ເຫຼືອ — ນັ້ນແຫຼະຄືເຫດຜົນທັງໝົດທີ່ການຈັດເສັ້ນທາງຖືກສົ່ງມອບກ່ອນ.

POST /v1/messages
{
  "model": "auto",                     // the router picks
  "messages": [{
    "role": "user",
    "content": [
      { "type": "image", "source": { "type": "base64", "media_type": "image/jpeg", "data": "…" } },
      { "type": "text",  "text": "แบบฟอร์มนี้ยังขาดช่องไหนบ้าง" }
    ]
  }],
  "thai": { "register": "official", "dialect": "auto" }
}

// 200 OK
// { "routed_to": "ThaiLLM-Vision", "then": "ThaiLLM-Base",
//   "region": "th-bkk-1", "usage": { "baht": 0.42 } }

ແຜນງານ

ສີ່ໄລຍະ. ບໍ່ມີອັນໃດເປັນວັນທີ: ແຕ່ລະໄລຍະເປີດເມື່ອຊຸດປະເມີນຂອງມັນຜ່ານ ແລະ ຊຸດນັ້ນໃຫ້ຄະແນນໂດຍຄົນໄທ ບໍ່ແມ່ນຕາຕະລາງອັນດັບ.

  1. 1
    ໄລຍະ 1 · ການອ່ານເອກະສານດ້ວຍພາບ

    ເອກະສານພາສາໄທທີ່ພິມ ແລະ ສະແກນ ຖືກປ່ຽນເປັນຊ່ອງຂໍ້ມູນທີ່ມີໂຄງສ້າງ. ພຸດທະສັກກະລາດ ແລະ ຕົວເລກໄທ ຖືກຈັດການຕອນອ່ານ ບໍ່ແມ່ນມາປະຕິດພາຍຫຼັງ.

    ປະຕູ
  2. 2
    ໄລຍະ 2 · ຮູບຖ່າຍ ແລະ ລາຍມື

    ຮູບຖ່າຍມືຖືທີ່ອຽງ, ຕາປະທັບ, ກາປະທັບ ແລະ ລາຍມືໄທ. ນີ້ແມ່ນໄລຍະທີ່ຕັດສິນວ່າຜະລິດຕະພັນໃຊ້ໄດ້ນອກຫ້ອງການຫຼືບໍ່.

    ປະຕູ
  3. 3
    ໄລຍະ 3 · ສຽງ, ທັງສີ່ພາສາຖິ່ນ

    ສຽງເຂົ້າ ແລະ ສຽງອອກ ໃຫ້ຄະແນນແຍກກັນສຳລັບພາສາໄທກາງ, ອີສານ, ຄຳເມືອງ ແລະ ພາສາໃຕ້ — ເພາະຄ່າສະເລ່ຍລວມ ປິດບັງຄວາມລົ້ມເຫຼວທີ່ສຳຄັນທີ່ສຸດພໍດີ.

    ປະຕູ
  4. 4
    ໄລຍະ 4 · ຂ້າມຮູບແບບເທິງເຄື່ອງ

    ໂມເດວພາບທີ່ບີບອັດ ທີ່ເຮັດວຽກແບບອອບໄລນ໌ເທິງມືຖື Android ລະດັບກາງ ສຳລັບວຽກທີ່ເກີດຂຶ້ນໃນບ່ອນທີ່ບໍ່ມີສັນຍານ.

    ປະຕູ

ເອກະສານອ້າງອີງ

ເອກະສານອ່ານປະກອບກ່ຽວກັບໂມເດວມັລຕິໂມດອລ ຈາກເອກະສານຕົ້ນສະບັບ ແລະ ບົດຄົ້ນຄວ້າທີ່ວົງການນີ້ສ້າງຂຶ້ນເທິງ. ລິ້ງພາຍນອກ ບໍ່ກ່ຽວຂ້ອງກັບ ThaiGPT+.

IBMWhat is a multimodal LLM? — IBM

ຄຳນິຍາມສັ້ນທີ່ຊັດເຈນທີ່ສຸດຂອງໂມເດວພາສາຂະໜາດໃຫຍ່ແບບມັລຕິໂມດອລ ແລະ ໃຊ້ເຮັດຫຍັງ.

NVIDIAWhat are vision-language models? — NVIDIA glossary

ຕົວເຂົ້າລະຫັດຮູບ ເຊື່ອມກັບໂມເດວພາສາແນວໃດ ເພື່ອໃຫ້ມັນເບິ່ງເຫັນ.

WikipediaVision-language model — Wikipedia

ພາບລວມທີ່ເປັນກາງ ພ້ອມລາຍການອ້າງອີງກວ້າງຂວາງ ຖ້າທ່ານຢາກເຫັນຮູບຮ່າງຂອງວົງການກ່ອນລາຍລະອຽດ.

AnthropicVision — Claude API documentation

ເອກະສານພາກປະຕິບັດສຳລັບການສົ່ງຮູບໃຫ້ໂມເດວ ແລະ ຂໍ້ຈຳກັດພາກປະຕິບັດຂອງການເຮັດແນວນັ້ນ.

GoogleImage understanding — Gemini API documentation

API ທີ່ເປັນມັລຕິໂມດອລມາແຕ່ພື້ນຖານ ລວມທັງຮັບເອກະສານ ແລະ ວິດີໂອເປັນຂໍ້ມູນເຂົ້າ.

OpenAIImages and vision — OpenAI platform documentation

API ຮູບອີກອັນທີ່ໃຊ້ກັນຢ່າງກວ້າງຂວາງ ເພື່ອປຽບທຽບຮູບແບບຄຳຮ້ອງ.

Hugging FaceImage-text-to-text — Hugging Face

ຝັ່ງໂມເດວເປີດ: ຄຳນິຍາມຂອງວຽກ ແລະ ໂມເດວທີ່ທ່ານແລ່ນເອງໄດ້.

arXiv 2103.00020Learning Transferable Visual Models From Natural Language Supervision

CLIP, 2021 — ຮູບ ແລະ ຂໍ້ຄວາມ ຝຶກເຂົ້າໃນຕົວແທນຮ່ວມກັນ. ບົດຄົ້ນຄວ້າທີ່ວົງການສະໄໝໃໝ່ເລີ່ມຕົ້ນຈາກ.

arXiv 2204.14198Flamingo: a Visual Language Model for Few-Shot Learning

2022 — ວິທີສອນໂມເດວພາສາທີ່ຖືກແຊ່ແຂງ ໃຫ້ເອົາໃຈໃສ່ຮູບ.

arXiv 2304.08485Visual Instruction Tuning

2023 — LLaVA ແລະ ບາດກ້າວທີ່ເຮັດໃຫ້ໂມເດວພາບ-ພາສາ ລົມນຳໄດ້.

ໂຄງການກ່ອນເປີດຕົວ

ເລືອກວິທີເຂົ້າຮ່ວມ

ເປີດຮັບສາມກຸ່ມ. ເລືອກກຸ່ມໜຶ່ງແລ້ວ ແບບຟອມຂ້າງລຸ່ມຈະຖືກຕັ້ງໃຫ້ — ປ່ຽນໄດ້ຢູ່ບ່ອນນັ້ນ.