Aquí una comparación entre varios modelos, sacado del paper oficial. Las imágenes del oso panda es la que mejor representa lo que quiero decir. En cualquier caso… ¿sabes cómo se podría comprobar realmente la calidad y el rendimiento de este nuevo modelo? ¿Eh Google? ¿EHHH?
RESEARCH
-
Image Generation Model Evaluation: Quality Beyond FID Metrics
By
–
Son imágenes chulas (hace un año hubieran sido increíbles), pero me parecen planas y con texturas con muy poco detalle. Cuantitativamente no se aleja mucho de Imagen y supera a Stable Diffusion, pero no sé. ¿A lo mejor evaluar con la métrica FID se nos está quedando limitado?
-
VQGAN vs Diffusion Models: Image Quality Comparison Analysis
By
–
Parti, también de Google, es otro modelo que sigue una estrategia similar. Y aquí hay que decir que si bien parece que las VQGAN consiguen una mejor cercanía entre el prompt y la imagen, mi ojo percibe que la calidad de estas imágenes es peor que con otros modelos cde difusión…
-
Transformers and VQGAN: Alternative to Modern Diffusion Models
By
–
Y es que a diferencia de Stable Diffusion, DALL-E, Midjourney e Imagen, este modelo no usa las modernas arquitecturas de Diffusion. Sino que recupera la tendencia de 2021: los Transformers y las VQGAN. ¿Y eso qué es…? Pues aquí te lo explico
-
Muse generates images 3x faster than Stable Diffusion
By
–
Por último, otra cualidad más de Muse es que es MÁS RÁPIDO que sus otros compañeros, logrando generar imágenes ~3 veces más rápido que Stable Diffusion y entre 8-10 veces más rápido que su hermano mayor, Imagen.
-
AI Solves 10 International Math Olympiad Problems with HyperTree Method
By
–
Using our HyperTree Proof Search method we created a neural theorem solver that was able to solve 10 International Math Olympiad problems — 5x any previous AI system. More in this post ➡️ https://t.co/dec9VeJhny pic.twitter.com/rns9IffWqx
— AI at Meta (@AIatMeta) 3 janvier 2023Using our HyperTree Proof Search method we created a neural theorem solver that was able to solve 10 International Math Olympiad problems — 5x any previous AI system. More in this post https://
bit.ly/3vBnu3E -
MAML Meta-Learning and Software Architecture Design Principles
By
–
reminds me of MAML meta-learning (
https://
arxiv.org/abs/1703.03400) where the objective is to find weights of a network such that any new task finetunes fast. In Software 1.0 land, equivalent is writing code such that any new desired functionality is simple and doesn't need a refactor. -
AI Experimentation: Exploring Unexplored Possibilities
By
–
Because it's so easy to try new things, it lends itself to experimentation. Discovering these little unexplored possibilities is one of my favorite aspects of AI as it exists today.
-
2023 AI Predictions: GPU Demand Soars with Generative AI Growth
By
–
What does 2023 have in store for AI? Our CEO Nick Elprin predicts GPU demand will soar as more deep learning apps emerge to cure disease. @NVIDIAAI
's Manuvir Das concurs that new generative AI realities will do the same. @VentureBeat has the full takes: https://
domino.buzz/3CfEKz5 -
Analyze Text Style Voice and Tone with NLP Prompting
By
–
/Example prompt/ Analyze the text below for style, voice, and tone. Using NLP, create a prompt to write a new article in the same style, voice, and tone: (Insert your text here)