Tencent WeVisOne-VL โมเดลวิชันแลนก์ภาษาใหม่ล่าสุด
ทีม WeChat Vision จากเทนเซ็นต์เปิดตัว WeVisOne-VL โมเดลวิชันแลนก์กูจขนาด 2B และ 4B ภายใต้ไลเซนส์ Apache 2.0 รองรับงานตรวจจับ OCR นับ และมาตติ้ง
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- ทีม WeChat Vision ของ Tencent เปิดตัวโมเดล WeVisOne-VL
- รองรับทั้งขนาด 2B และ 4B เผยแพร่ภายใต้ไลเซนส์ Apache 2.0
- รวมความสามารถตรวจจับ OCR นับวัตถุดิศ และ segmentation ไว้ในโมเดลเดียว
- มาพร้อมกับพิกเซลดีคอดเดอร์ขนาด 9.6 ล้านพารามิเตอร์
ทีมนักวิจัย WeChat Vision จากบริษัทยักษ์ใหญ่เทคโนโลยี Tencent ได้ทำการพัฒนาและปล่อยตัว WeVisOne-VL ออกมาอย่างเป็นทางการ ซึ่งเป็นโมเดลวิชันแลนก์กูจ (Vision-Language Model) ที่ถูกออกแบบมาเพื่อรวมงานประมวลผลภาพหลากหลายรูปแบบไว้ในระบบเดียวอย่างไร้รอยต่อ โมเดลนี้ถูกเผยแพร่ภายใต้สัญญาอนุญาตแบบ Apache 2.0 เปิดกว้างให้นักพัฒนาและชุมชนโอเพนซอร์สสามารถนำไปใช้งานต่อได้อย่างยืดหยุ่น
จุดเด่นสำคัญของ WeVisOne-VL คือความสามารถในการจัดการงานด้านคอมพิวเตอร์วิชันที่มีความซับซ้อนหลายประเภทพร้อมกัน โดยโมเดลนี้ไม่เพียงแต่ทำหน้าที่วิเคราะห์ข้อความในภาพ แต่ยังครอบคลุมถึงการตรวจจับวัตถุ (Detection) การอ่านตัวหนังสือหรือ OCR (Optical Character Recognition) การนับจำนวน (Counting) การแบ่งส่วนภาพ (Segmentation) และการทำแอลฟามาตติ้ง (Alpha Matting) ได้ภายในโมเดลเดียว
ในด้านสถาปัตยกรรมภายใน โมเดลซีรีส์นี้ถูกจัดทำออกมาในสองขนาดหลักด้วยกัน ได้แก่ ขนาด 2 พันล้านพารามิเตอร์ (2B) และขนาด 4 พันล้านพารามิเตอร์ (4B) ซึ่งช่วยให้ผู้ใช้งานสามารถเลือกปรับขนาดให้เหมาะสมกับทรัพยากรฮาร์ดแวร์และโจทย์ความต้องการของแอปพลิเคชันที่แตกต่างกันได้ นอกจากนี้ระบบยังได้ติดตั้งพิกเซลดีคอดเดอร์ที่มีขนาด 9.6 ล้านพารามิเตอร์เข้ามาช่วยเสริมประสิทธิภาพการทำงานระดับพิกเซลอีกด้วย
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
การรวมงานวิชันหลายแขนงเข้าไว้ในโมเดลวิชันแลนก์กูจเดียว (Unified Vision-Language Model) ถือเป็นแนวทางสำคัญที่ช่วยลดความซับซ้อนในทางวิศวกรรมและการจัดการพไปป์ไลน์ของระบบปัญญาประดิษฐ์ แทนที่จะต้องฝึกและเรียกใช้โมเดลแยกต่างหากสำหรับงาน OCR งานแบ่งส่วนภาพ หรือการตรวจจับวัตถุ นักพัฒนาสามารถใช้โมเดลตัวเดียวอย่าง WeVisOne-VL ตอบโจทย์ทั้งหมดได้ ซึ่งช่วยประหยัดเวลาและหน่วยความจำแรมของระบบประมวลผลได้อย่างมีนัยสำคัญ
การเปิดตัวโอเพนซอร์สโมเดล WeVisOne-VL ภายใต้ไลเซนส์ Apache 2.0 ในครั้งนี้ นับเป็นอีกหนึ่งความเคลื่อนไหวครั้งสำคัญของ Tencent ในการสนับสนุนวงการปัญญาประดิษฐ์ระดับโลก และช่วยให้กลุ่มนักพัฒนาสามารถเข้าถึงเครื่องมือวิเคราะห์ภาพที่มีความสามารถรอบด้านไปต่อยอดสร้างสรรค์นวัตกรรมใหม่ๆ ได้สะดวกยิ่งขึ้น
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น