مدل Jev میدونیم که ورودی متن قبول میکنه حالا چی میشه اگه بتونه تصویر و صدا هم بگیره و بر اساس اونا تصمیم بگیره؟ یه عده دارن Jev-Omni رو توسعه میدن که یه مدل چند وجهی تصمیم گیرنده به حساب میآد
برای مثال وصلش میکنید به دوربین خونتون با سرعت بالا اگه صحنه خطرناکی رو ببینه بهتون اعلام میکنه! خودشون ادعا کردن از Jev بنچمارکش بالا تره.
huggingface.co/akhilaaa3/Jev-Omni
@Linuxor
Post #5384
8.53K