🤖 SenseNova-Vision: единая мультимодальная модель 7B
Представлена SenseNova-Vision — мультимодальная генеративная модель объемом 7B параметров, использующая подход Mixture-of-Tasks (MoT). Она объединяет детекцию, OCR, сегментацию, оценку глубины и позы камеры в единую архитектуру, работающую через инструкции на естественном языке.
🌍 Переход к единым мультимодальным генераторам упрощает архитектуру систем компьютерного зрения и позволяет решать сложные композиционные задачи в рамках одного прохода.
👤 Это важный шаг к созданию универсальных AI-агентов, которые понимают мир как комплексное пространство объектов, геометрии и текста.
Источник 1: https://arxiv.org/abs/2607.06560 Источник 2: https://github.com/OpenSenseNova/SenseNova-Vision