GPT-4V(ision) System Cardをざっくり訳した - Qiita
はじめに OpenAIが3月に発表していたものの実装していなかった、画像および音声を取り扱うことのできるマルチモーダルモデル「GPT4-V」のdeployが発表されました。本当に全部この会社がやればいいんじゃないか？ ChatGPTのPlus/Enterpriseユーザーに2週間かけて提供するそうです。最近ChatGPTのほうの処理能力が落ちつつあってGPT-4のAPIばっかり使ってるんですが、ChatGPT Plusは解約できそうにないですね。 GPT4-Vを中心としたV&LのLLMはDocumentUnderstandingの文脈での活用が期待されており、先日Googleを中心としたグループもLMDX: Language Model-based Document Information Extraction and Localizationという論文を発表していました。Geminiなん
他者の眼になる魔法のようなインターネット体験。”Be My Eyes “ - フジイユウジ::ドットネット
目の見えない人が、床に物を落として困っている。 見えにくい視力の方が、説明書の小さい文字が読めずに困っている。 そんなときも目の見える人―――例えばぼくが―――代わりに見て説明すればいい。遠く離れた場所にいる知らない人でも大丈夫。 今日は、そんな超絶すごい体験を作り出してるアプリの話です。 “Be My Eyes”というインターネット体験。 仕事中、机の上に置いてあるスマホが震える。“Be My Eyes”というアプリの呼び出し通知。ちょっと通話する余裕くらいはあるなと思ったら通話に出ればいいし、時間がないときなら他に時間のある人が出てくれるから自分が出なくもいい。 通話に出たら、スマホのカメラを通して目の見えない人から頼まれたものを見て説明する。 「説明書を読んでもらえませんか？電気の消し方を知りたくて。」 「ボタンを長押しすれば電気が消えるって書いてありますよー」 「床に落としたものを
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
「ChatGPT」が見て、聞いて、話せるように ～音声・画像対応のマルチモーダルAI／今後2週間のうちに「Plus」および「Enterprise」で提供
