Apple çoxdan gözlənilən FastVLM modelini elan etdi. Texnologiya xüsusilə performans baxımından əhəmiyyətli fərq yaradacaq.

Apple, FastVLM adlı yeni vizual dil modelini təqdim edərək süni intellektdə iddialı bir addım atdı. Sürət, dəqiqlik və səmərəlilik baxımından zolağı yüksəldən bu model vizual və mətn məlumatlarını eyni vaxtda emal edərək real vaxt proqramlarında inqilab yarada bilər.

Apple yeni vizual dil modeli ilə gəlir

Apple, FastVLM-ni sürət, miqyaslılıq və dəqiqlik üzərində qurub. Modelin ən diqqətçəkən xüsusiyyəti digər oxşar ölçülü modellərdən 85 dəfə sürətli və 3,4 dəfə kiçik olmasıdır. Bu, ona mobil cihazlardan tutmuş buludlara qədər müxtəlif proqramlarda problemsiz işləməyə imkan verir.

O, həmçinin yüksək keyfiyyətli şəkilləri emal edərkən kodlaşdırma vaxtını azaltmaqla səmərəliliyi artırır. Model tərtibatçılar üçün üç fərqli versiyada mövcuddur: 0,5 milyard, 1,5 milyard və 7 milyard parametr.

Texniki olaraq, FastVLM şəkilləri və mətni eyni vaxtda şərh edə bilən hibrid transformator arxitekturasından istifadə edir. Vizual və mətn məlumatları üçün ayrıca emal sistemlərinə malikdir. Bu sistemlər modelə mürəkkəb suallara cavab verməyə, yeni anlayışları tanımağa və vizual-mətn əsaslandırma imkanlarını gücləndirməyə imkan verən xüsusi bir təbəqə ilə birləşdirilir.

WebGPU dəstəyi sayəsində FastVLM heç bir əlavə quraşdırma tələb etmədən birbaşa brauzerdə işləyə bilər. Bu imkan xüsusilə real vaxt rejimində video altyazı və canlı səhnə təhlili kimi tətbiqlər üçün əlverişlidir.

Modelin potensial tətbiqləri genişdir. O, səhiyyə sektorunda tibbi görüntü təhlilindən tutmuş pərakəndə satışda vizual məhsul axtarış sistemlərinə qədər geniş sahədə istifadə oluna bilər. Bununla belə, FastVLM-in əsl sıçrayışı ağıllı eynək kimi taxıla bilən texnologiyalardadır. Ətraf mühiti real vaxt rejimində təhlil etmək və məlumatı istifadəçiyə ötürmək qabiliyyətinə malik olan bu model daşınan süni intellekt təcrübəsini tamamilə dəyişdirə bilər.