แนะนำการทดสอบโมเดล Qwen2-VL-7B Instruct ที่สามารถแปลงข้อมูลภาษาอังกฤษที่เขียนด้วยลายมือจากภาพออกมาเป็นข้อความได้แม่นยำมากๆ ตามด้วยอัพเดตโมเดลตัวใหม่ DeepSeek-V2.5โมเดลรวมพลังด้านการเขียนและการเขียนโค้ดจากสองโมเดลรุ่นก่อนหน้าเข้าไว้ด้วยกัน และโมเดลที่ทำ Visual Effect ในด้านความลึกของภาพวิดีโอได้อย่างยอดเยี่ยมจาก DepthCrafter

ทดสอบโมเดลด้าน Vision จาก Alibaba Cloud ที่เพิ่งออกมาใหม่เมื่อสัปดาห์ก่อน (อ่านข้อมูลเกี่ยวกับโมเดลได้ที่บทความ <a href="https://visai.ai/blogs/33/dsandai-9-13-sep" target="_blank">News of the Week: 7 โมเดลใหม่ LTM-2-mini, Command R ฯลฯ</a>) โดยให้ถอดลายมือจากรูปภาพ ซึ่งผลที่ออกมาสำหรับลายมือภาษาอังกฤษแทบจะเรียกได้ว่าถูกต้อง 100% แต่สำหรับภาษาไทยยังไม่แม่นยำเสียทีเดียว อาจจะต้องรอการพัฒนาให้ดียิ่งขึ้นต่อไป &nbsp;

ไปลองทดสอบกันได้ที่: <a href="https://huggingface.co/spaces/GanymedeNil/Qwen2-VL-7B" target="_blank">https://huggingface.co/spaces/GanymedeNil/Qwen2-VL-7B</a>&nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/Qwen/Qwen2-VL-7B-Instruct" target="_blank">https://huggingface.co/Qwen/Qwen2-VL-7B-Instruct</a>&nbsp;

DeepSeek-V2.5 เป็นโมเดลรุ่นอัปเกรด โดยผสานโมเดล DeepSeek-V2-Chat และ DeepSeek-Coder-V2-Instruct เข้าด้วยกัน ทำให้ได้โมเดลที่รวมความสามารถทั้งงานทั่วไป เช่น ด้านการเขียน การทำตามคำสั่ง และการเขียนโค้ดได้จากทั้งสองโมเดลรุ่นก่อนหน้า DeepSeek-V2.5 ยังได้คะแนนในการทดสอบที่ดีขึ้นกว่าโมเดลทั้งสองตัวในหลายเกณฑ์มาตรฐาน ไม่ว่าจะเป็น &nbsp;

โมเดลสามารถใช้งานได้บนเว็บและ API และยังเรียกใช้ฟังก์ชัน FIM (Fill in the Middle) และสร้าง output ในรูปแบบ JSON ได้ด้วย &nbsp;

แหล่งเข้าถึง: <a href="https://huggingface.co/deepseek-ai/DeepSeek-V2.5" target="_blank">https://huggingface.co/deepseek-ai/DeepSeek-V2.5</a>&nbsp;

โมเดลด้าน Vision ที่สามารถสร้างความลึกของภาพในวิดีโอที่มีความสอดคล้องต่อเนื่องได้สูงสุดถึง 110 เฟรมในครั้งเดียว&nbsp;โดยไม่ต้องใช้ข้อมูลเสริมอย่าง มุมกล้อง หรือการหา Optical Flow (การระบุทิศทางการเคลื่อนที่ของวัตถุ)  นอกจากนี้ ยังสามารถดึงรายละเอียดของความลึกได้อย่างแม่นยำและหลากหลายจากชุดข้อมูลจริงและชุดข้อมูลที่สังเคราะห์ขึ้น&nbsp;

ซึ่งจากการทดสอบกับชุดข้อมูลหลายๆ แบบ DepthCrafter ให้ผลลัพธ์ที่ดีที่สุดในด้านการประเมินความลึกของวิดีโอ จึงเหมาะกับการนำไปใช้ทำงานด้านวิชวลเอฟเฟกต์ที่อิงกับความลึกของภาพ และการสร้างสรรค์วิดีโอตามเงื่อนไขต่างๆ ได้ดี&nbsp;

แหล่งเข้าถึง: <a href="https://depthcrafter.github.io/">https://depthcrafter.github.io/&nbsp;</a> . .

สำหรับใครที่สนใจโมเดลปัญญาประดิษฐ์ที่เชี่ยวชาญด้าน NLP (Natural Language Processing) และมีความแม่นยำภาษาไทยสูง VISAI มีบริการโมเดลสำเร็จรูปที่ใช้งานได้บนคลาวด์ สามารถทำงานกับข้อมูลประเภท ข้อความ เสียง และรูปภาพ มากมาย ทดลองใช้งานโมเดลฟรีได้ที่บริการ <a href="https://acp.visai.ai/">AI Cloud Platform</a> ---------

ข้อมูลจาก: &nbsp;

[2] <a href="https://x.com/aidan_mclau/status/1831717967643734065/photo/1" target="_blank">https://x.com/aidan_mclau/status/1831717967643734065/photo/1</a>&nbsp;

[3] <a href="https://x.com/_akhaliq/status/1831212908774342965" target="_blank">https://x.com/_akhaliq/status/1831212908774342965</a>&nbsp;