mllm

Rozwój „sztucznej inteligencji” już teraz pozwala na tworzenie realistycznych obrazów, a także ich późniejszą modyfikację przy pomocy innych dostępnych narzędzi. Jednym z najnowszych jest całkiem ambitny projekt od Apple, które w ramach badań współpracowało razem z Uniwersytetem Kalifornijskim w Santa Barbara. Dzięki temu powstał MGIE (MLLM-Guided Image Editing), a więc rozwiązanie, które umożliwia obróbkę grafiki poprzez polecenia tekstowe.

Praktycznie każde duże przedsiębiorstwo zaprezentowało już swój duży model językowy. W tej kwestii tylko Apple wydawało się pozostawać nieco w tyle. Okazuje się, że i ta firma opracowała już swój produkt, natomiast premiera odbyła się "po cichu". Multimodalny duży model językowy (MLLM) o nazwie Ferret (ang. fretka) został udostępniony już w październiku 2023 roku i to, co ciekawe - na otwartoźródłowej licencji (co w przypadku Apple wydaje się nieprawdopodobne).

Dział SI cały czas się rozwija wręcz w błyskawicznym tempie. Nie tak dawno słyszeliśmy o tym, jak Meta zaprezentowała swoje rozwiązanie, a już mamy do czynienia z następnym modelem językowym. Tym razem jednak Microsoft postanowił skupić się na tzw. multimodalnym modelu. W przeciwieństwie do GPT-3 i LLAMA, potrafi on analizować to, co znajduje się na zdjęciach oraz udzielać na ich podstawie odpowiedzi. Już we wstępnej fazie rozwoju potrafi zaskakiwać.