Ayon sa ME News, noong Abril 10 (UTC+8), ang Tongyi Lab ng Alibaba ay opisyal na ipinakilala ang kanilang bagong henerasyon ng multimodal RAG framework na tinatawag na VimRAG, na nakatuon sa paglutas ng matagal nang problema ng “state blind spots” sa mga umiiral na sistema. Ang VimRAG ay nag-uupgrade sa tradisyonal na linyar na history sa isang multimodal memory graph, na nag-organisa sa proseso ng pag-iisip gamit ang dynamic directed acyclic graph (DAG) structure upang ma-eliminate ang redundant retrieval at ma-track ang lahat ng mga path na pinaglalakaran. Ipinakilala ang Graph-Modulated Visual Memory Encoding, na nagpapahintulot sa adaptive token allocation para sa mga mataas na load na visual data tulad ng mga imahe, kasama ang GGPO mechanism para sa fine-grained credit allocation at pagpapabuti ng accuracy sa pagtukoy ng mga sanhi. Ayon sa mga resulta ng pagsubok na ipinahayag, ang VimRAG ay nagpakita ng malakas na pagganap sa iba’t ibang multimodal benchmark tulad ng SlideVQA, MMLongBench, at LVBench, kung saan ang bersyon na Qwen3-VL-8B-Instruct ay nangunguna sa kabuuang score kumpara sa iba pang mga solusyon. Ang layunin ng VimRAG ay ilipat ang multimodal RAG mula sa “simple retrieval” patungo sa “structured reliable reasoning,” upang magbigay ng mas malakas na system-level solution para sa paghawak ng mga kumplikadong mahabang dokumento at multimodal hybrid scenarios. (Pinagkunan: BlockBeats)
Tinilat ng Tongyi Lab ang VimRAG: Multimodal na RAG Framework na may Memory Graph
KuCoinFlashI-share
Summary
Ipinakilala ng Tongyi Lab ang isang bagong multimodal na RAG framework, ang VimRAG, noong April 10 (UTC+8), batay sa MetaEra. Tinutugon ng framework ang problema ng “state blind spot” sa pamamagitan ng pagpapalit ng linear na kasaysayan sa isang memorya graph. Gumagamit ito ng isang dinamikong DAG structure upang masunod ang mga daan ng pag-iisip at mapabawasan ang mga redundant na paghahanap. Ang mga on-chain na balita ay naglalayong i-integrate ang GGPO para sa credit assignment at token allocation. Ang bersyon na Qwen3-VL-8B-Instruct ay nangunguna sa mga benchmark tulad ng SlideVQA at MMLongBench. Ang update ay sumusuporta sa mga kumplikado, mahabang, at multimodal na gawain. Maaaring makatanggap ng benepisyo ang mga bagong listing ng token mula sa structured na pag-iisip na ito.
Source:Ipakita ang original
Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito.
Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.