« Modèle multimodal en poupées russes » : différence entre les versions

Dernière version du 24 février 2026 à 15:20

Définition

Approche qui représente le contenu visuel sous forme d'ensembles imbriqués de segments visuels capturant des informations à plusieurs degrés de précision (voir apprentissage de représentations en poupées russes).

Complément

Les grands modèles de langues ayant une extension modale en poupées russes ont un contrôle explicite sur la précision visuelle pendant l'inférence. Ceci permet d'ajuster le nombre de segments en fonction de la complexité du contenu. Par exemple, une image avec beaucoup de détails sera représentée avec un nombre segments plus important qu'une image plus simple.

Voir aussi LLaVa

Français

modèle multimodal en poupées russes

modèle multimodal en matriochka

M3

Anglais

Matryoshka Multimodal Models

M3

Source

Source : arxiv

@@ Ligne 1 : / Ligne 1 : @@
-==en construction==
 == Définition ==
-Approche qui représente le contenu visuel sous forme d'ensembles imbriqués de segments (''tokens'') visuels capturant des informations à plusieurs degrés de précision. Les '''[[Grand modèle de langues|grands modèles de langues]]''' équipés de M3 ont un contrôle explicite sur la précision visuelle par instance de test pendant l''''[[inférence]]''', ce qui permet d'ajuster le nombre de segments en fonction de la complexité ou de la simplicité du contenu.
+Approche qui représente le contenu visuel sous forme d'ensembles imbriqués de segments visuels capturant des informations à plusieurs degrés de précision (voir [[apprentissage de représentations en poupées russes]]).
-Par exemple, une image avec des détails denses peut être représentée avec plus de segments, tandis que des images plus simples peuvent en utiliser moins.
+== Complément ==
+Les '''[[Grand modèle de langues|grands modèles de langues]]''' ayant une extension modale en poupées russes ont un contrôle explicite sur la précision visuelle pendant l''''[[inférence]]'''. Ceci permet d'ajuster le nombre de segments en fonction de la complexité du contenu. Par exemple, une image avec beaucoup de détails sera représentée avec un nombre segments plus important qu'une image plus simple.
 Voir aussi '''[[Large Language and Vision Assistant|LLaVa]]'''
 == Français ==
-''' Modèles multimodaux de Matryoshka '''
+''' modèle multimodal en poupées russes '''
+''' modèle multimodal en matriochka '''
 ''' M3'''
@@ Ligne 18 : / Ligne 19 : @@
 ''' M3'''
-''Approach that represents visual content as nested sets of visual tokens that capture information across multiple granularities. LMMs equipped with M3 afford explicit control over the visual granularity per test instance during inference, enabling the adjustment of the number of tokens based on the anticipated complexity or simplicity of the content. For example, an image with dense details can be represented with more tokens, while simpler images can use fewer tokens.''
+<!--''Approach that represents visual content as nested sets of visual tokens that capture information across multiple granularities. LMMs equipped with M3 afford explicit control over the visual granularity per test instance during inference, enabling the adjustment of the number of tokens based on the anticipated complexity or simplicity of the content. For example, an image with dense details can be represented with more tokens, while simpler images can use fewer tokens.''-->
 == Source ==
 [https://arxiv.org/abs/2405.17430   Source : arxiv]
+[[Catégorie:Publication]]
-[[Catégorie:vocabulary]]

« Modèle multimodal en poupées russes » : différence entre les versions