腾讯网29 天
9大基准全面领先，性能暴涨10.8%！视觉价值模型VisVM成「图像描述」新宠
对于每一个current sentence使用CLIP model计算这句话和对应图像的cosine similarity作为reward，最后构成< current sentence, reward，next sentence, Image>的四元组作为 ...