热点事件持续更新
研究团队提出视觉编码器免训练评测方法RAVEL
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
研究团队提出了多模态大模型视觉编码器的免训练评测方法 RAVEL。该方法通过引入带稳定项的 PCA 白化与局部图像块匹配，用于评估跨模态近邻一致性。实验显示，RAVEL 的评估结果与实际下游表现的平均 Spearman 相关系数达到 0.85，相较于此前同类免训练方法 GW 提升了 93.5%，较 MutualNN 提升了 101.1%。目前，研究团队已将相关代码以及涵盖 70 种视觉编码器组合的 210 个 MLLM 权重全部开源。
AI 根据报道生成 · 3 小时前更新
最新进展10月18日 21:46
研究团队提出并开源免训练评测方法RAVEL及210个权重。报道时间线
沿着报道，了解事件的不同侧面。
10月18日
- AITNT · AI头条免训练评测方法 RAVEL 提出：两个改进让多模态视觉编码器评测相关性接近翻倍
研究团队提出多模态大模型视觉编码器免训练评测方法 RAVEL，其评估与实际下游表现的平均 Spearman 相关系数达 0.85。RAVEL 通过带稳定项的 PCA 白化与局部图像块匹配评估跨模态近邻一致性，性能较此前免训练方法 GW 提升 93.5%、MutualNN 提升 101.1%。团队已开源相关代码及涵盖 70 种视觉编码器组合的 210 个 MLLM 权重。
本事件热度走势
当前热度 9·可比范围峰值 10（10月18日 22:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。