Moondream ने VLM फाइन-ट्यूनिंग सर्विस Lens को सटीकता में सुधार के लिए लॉन्च किया

ME समाचार के अनुसार, 21 अप्रैल (UTC+8) को, डोंगचा बीटिंग के अनुसार, Moondream ने लेंस नामक सूक्ष्म-समायोजन सेवा लॉन्च की है, जो विजुअल भाषा मॉडल (VLM, जो छवियाँ पढ़ सकते हैं और पाठ में उत्तर दे सकते हैं) को प्रयोगशाला से उत्पादन में लाने के दौरान सटीकता की समस्या को हल करती है। लेंस एक प्रयोग के आधार पर भुगतान वाला API है, जो प्रबलन सीखने और नियंत्रित सूक्ष्म-समायोजन दोनों का समर्थन करता है; कंपनी के अनुसार, केवल कुछ दर्जन छवियों के नमूने से ही परिणाम दिखाई देते हैं; प्रशिक्षण पूरा होने के बाद, इसे क्लाउड से उपयोग किया जा सकता है या अपने स्वयं के अनुमान इंजन Photon के माध्यम से स्थानीय रूप से चलाया जा सकता है। कंपनी ने तीन सेट तुलनात्मक डेटा प्रकाशित किए हैं। NBA प्रसारण के दृश्यों में बॉल रखने वाले खिलाड़ियों की पहचान करने पर, मूल मॉडल अक्सर कई गलत पहचान के बॉक्स देता है; RL सूक्ष्म-समायोजन के बाद F1 स्कोर 28% से 79% तक बढ़ गया, और गलत सकारात्मक बॉक्स 61 से 2 पर कम हो गए, प्रशिक्षण 54 मिनट में पूरा हुआ, और लागत 16.89 डॉलर। सड़क के दृश्यों में देश की पहचान करने के कार्य में, प्रति देश 25 छवियों के सूक्ष्म-समायोजन नमूनों से सटीकता 71.1% हो गई, GPT-5.4 की 69.8% से अधिक। मेडिकल इमेजिंग में, सूक्ष्म-समायोजित मॉडल की glaucoma की गंभीरता के स्तर की पहचान में सटीकता GPT-5.4 की 2 गुना है, प्रशिक्षण 47 मिनट में पूरा हुआ, और लागत 15.68 डॉलर। पहला सहयोगी PTZOptics है, जो नेटवर्क-नियंत्रित PTZ कैमरों का निर्माण करता है, Moondream का उपयोग विशिष्ट लक्ष्य (जैसे "लाल कपड़े पहने हुए व्यक्ति") का पीछा करने, सामग्री की गिनती करने, और असामान्यता की सूचना देने के लिए किया जा रहा है। Moondream पहले ही Photon अनुमान इंजन प्रकाशित कर 20 मिलीसेकंड की N100 पर प्रसंस्करण देरी का दावा किया है। Lens सटीकता पर केंद्रित है, Photon गति पर, Moondream VLM के उत्पादन में समावेशन के दो सामान्य प्रतिबंधों के हल प्रदान करता है। (स्रोत: BlockBeats)