Moondream เปิดตัวบริการปรับแต่ง VLM ชื่อ Lens เพื่อปรับปรุงความแม่นยำ

ข่าวจาก ME News เมื่อวันที่ 21 เมษายน (UTC+8) ตามข้อมูลจาก Beating ซึ่งติดตามสถานการณ์ โมนดรีมเปิดตัวบริการปรับแต่งแบบละเอียดชื่อ Lens เพื่อแก้ไขปัญหา “กิโลเมตรสุดท้าย” ที่โมเดลภาษาภาพ (VLM) ซึ่งสามารถอ่านภาพและตอบกลับด้วยข้อความได้ ยังมีความแม่นยำไม่เพียงพอเมื่อเคลื่อนย้ายจากห้องแล็บสู่การใช้งานจริง Lens เป็น API แบบจ่ายตามการใช้งาน รองรับทั้งการเรียนรู้แบบเสริมแรงและการปรับแต่งแบบมีผู้ควบคุม โดยทางบริษัทระบุว่าสามารถเห็นผลลัพธ์ได้ด้วยตัวอย่างเพียงไม่กี่รูป; เมื่อการฝึกอบรมเสร็จสิ้น สามารถเรียกใช้งานผ่านคลาวด์หรือรันแบบออฟไลน์ด้วยเครื่องมือประมวลผลของตัวเองชื่อ Photon บริษัทเปิดเผยข้อมูลเปรียบเทียบสามชุด ในการตรวจจับผู้เล่นที่ถือลูกในภาพถ่ายถ่ายทอดสด NBA โมเดลพื้นฐานมักให้กรอบตรวจจับผิดจำนวนมาก; หลังปรับแต่งด้วย RL ค่า F1 เพิ่มจาก 28% เป็น 79% จำนวนกรอบรายงานผิดลดลงจาก 61 เป็น 2 โดยใช้เวลาฝึกอบรม 54 นาที และค่าใช้จ่าย 16.89 ดอลลาร์สหรัฐ ในภารกิจการระบุประเทศจากภาพถ่ายท้องถนน การปรับแต่งด้วยตัวอย่าง 25 รูปต่อประเทศทำให้ความแม่นยำอยู่ที่ 71.1% สูงกว่า GPT-5.4 ที่ 69.8% ในด้านภาพทางการแพทย์ โมเดลที่ผ่านการปรับแต่งมีความแม่นยำในการจัดระดับความรุนแรงของโรคต้อหินสูงเป็นสองเท่าของ GPT-5.4 โดยใช้เวลาฝึกอบรม 47 นาที และค่าใช้จ่าย 15.68 ดอลลาร์สหรัฐ พันธมิตรรายแรกคือบริษัทผู้ผลิตกล้องถ่ายภาพควบคุมระยะไกลผ่านเครือข่าย PTZOptics ซึ่งนำ Moondream มาใช้ในการติดตามเป้าหมายเฉพาะ (เช่น “คนที่ใส่เสื้อสีแดง”) การนับเนื้อหาในภาพ และการแจ้งเตือนความผิดปกติ ก่อนหน้านี้ Moondream เคยเปิดตัวเครื่องมือประมวลผล Photon โดยตัวเลขอย่างเป็นทางการระบุว่ามีความหน่วงเวลาในการประมวลผลเพียง 20 มิลลิวินาทีบน H100 Lens มุ่งเน้นที่ความแม่นยำ ส่วน Photon มุ่งเน้นที่ความเร็ว Moondream จึงได้เสนอแนวทางแก้ไขสำหรับจุดติดขัดสองประการหลักในการนำ VLM ไปใช้งานจริง (ที่มา: BlockBeats)