北京时间8月11日(周四)晚20点，准时开播！

大语言模型（LLM）的蓬勃发展离不开健全的评测体系，而对于多模态大语言模型（MLLM）而言，一直缺乏类似MMLU、ARC等全面且客观的评测基准。腾讯AI Lab联手腾讯ARC Lab推出了SEED-Bench系列评测基准，有效弥补了这一缺陷，目前已成为测评MLLM的主流基准之一。

在迈向通用人工智能（AGI）的诸多可能的方向中，发展多模态大模型（MLLM）已然成为当前炙手可热的重要路径。多模态之间的互补性可以增强人工智能的学习能力，比如，CLIP 将图像与文本进行统一学习的方式就取得了巨大的成功。但受限于多种模态之间巨大的差异性以及现有多模态模型对配对数据的依赖性，实现模态通用感知存在着艰巨挑战。

北京时间8月24日(周三)晚20点，准时开播！

这次大模型的成功是多个子领域的成功碰撞出的结果，例如模型设计（Transformer）、Data-centric AI（对数据质量的重视）、强化学习（RLHF）、机器学习系统（大规模集群训练）等等，缺一不可。从GPT-1到ChatGPT/GPT-4，所用的训练数据大体经历了以下变化：小数据（小是对于OpenAI而言，对普通研究者来说也不小了）->大一点的高质量数据->更大一点的更高质量数据->高质

一种新的新闻视觉摘要场景

大语言模型（LLM）的蓬勃发展离不开健全的评测体系，而对于多模态大语言模型（MLLM）而言，一直缺乏类似MMLU、ARC等全面且客观的评测基准。腾讯AI Lab联手腾讯ARC Lab推出了SEED-Bench系列评测基准，有效弥补了这一缺陷，目前已成为测评MLLM的主流基准之一。

在迈向通用人工智能（AGI）的诸多可能的方向中，发展多模态大模型（MLLM）已然成为当前炙手可热的重要路径。多模态之间的互补性可以增强人工智能的学习能力，比如，CLIP 将图像与文本进行统一学习的方式就取得了巨大的成功。但受限于多种模态之间巨大的差异性以及现有多模态模型对配对数据的依赖性，实现模态通用感知存在着艰巨挑战。

自Google DeepMind的研究团队提出了一种全新的强化自训练算法（Reinforced Self-Training，ReST），ReST相比RLHF，可以以更高的效率使LLMs的输出与人类偏好保持一致。ReST的设计灵感来源于他们将语言模型的对齐问题视为一个不断增长的批量强化学习问题，因此本文作者首先从一个初始LLMs策略出发，并根据该策略生成一个离线数据集，然后使用离线RL算法使用这些样

本期为TechBeat人工智能社区第560期线上Talk。北京时间1月3日(周三)20:00，香港科技大学在读博士生—陈竞晔的Talk已准时在TechBeat人工智能社区开播！他与大家分享的主题是:“TextDiffuser系列让扩散模型渲染文本不再是难题”，介绍了他的团队在文本分割网络与大语言模型提供的显式视觉文本信息引导扩散模型所做的研究。