字节跳动推出了一款全新的 8B 参数开源代码模型 Seed-Coder。令人惊叹的是，这款模型在性能上竟超越了众多百亿参数的竞争对手，在代码生成的竞技场上脱颖而出，为开发者们带来了前所未有的高效编程工具。

一、技术创新

传统数据筛选方式的困境，如同沉重的枷锁，限制着代码模型的发展速度与质量。而 Seed-Coder 团队另辟蹊径，提出了一种极具创新性的解决方案 ——“让 LLM 自己当老师”。用模型筛选数据训练自己，打造出一系列8B参数的轻量级开源代码模型，性能甚至超越百亿级对手！

字节跳动的 Seed 团队重磅发布了视觉 - 语言多模态大模型： Seed1.5-VL！

在60个主流测试中狂揽38项第一！这个模型的视觉编码器仅有532M参数，却能在零样本分类任务中硬刚17.5B参数的EVA-CLIP。

Seed1.5-VL由三个主要部分组成：视觉编码器（Seed-ViT）、MLP适配器和LLM（200亿激活参数）。

Seed1.5-VL 效果展示

• 很模糊的图片也能清晰的抽取出来，并改正代码

论文：Seed1.5-VL Technical Report
链接：https://github.com/ByteDance-Seed/Seed1.5-VL/blob/main/Seed1.5-VL-Technical-Report.pdf

一、NFS介绍

NFS即网络文件系统，英文全称Network File System，分为服务端（Server）和客户端（Client），是由SUN公司1984年研制的UNIX表示层协议(presentation layer protocol)，它允许网络中的计算机之间通过TCP/IP网络共享资源。通过NFS，本地NFS的客户端应用可以透明地读写位于远端NFS服务器上的文件，就像访问本地文件一样方便。

图像分割技术在医疗病灶分析、自动驾驶车道线分割、绿幕人像抠图等领域发挥着举足轻重的作用。相比目标检测、图像分类等技术，图像分割需要将每个像素点进行分类，在精细的图像识别任务中不可替代。

准备写一些关于自动驾驶方面的东西，以前研究过一些，也比较感兴趣。

本文简单讲解如何使用深度学习语义分割估计车辆可行驶区域(free space)，并创建占位栅格（occupancy grid），然后使用占位栅格创建车辆代价图（vehicle costmap），代码运行环境为MATLAB R2018a。

语义分割是计算机视觉领域中的一个任务，旨在将图像中的每个像素标记为不同的语义类别。与对象检测将边界框绘制在图像中的物体上不同，语义分割更加精细，对每个像素进行分类。

语义分割，是像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别上来理解图像的。不同于实例分割，语义分割只需要进行类别划分，而实例分割则需要在语义分割的基础上，对同类中的不同实例进行划分。在8月7日的「CV前沿讲座」第13讲中，我们邀请到了阿德莱德大学在读博士陈昊为大家带来了主题为《BlendMask：高质高效的实例分割模型》的直播讲解，陈博也向我们系统的讲解了实例分割问题的定义、以及二阶段的实例分割方法和应用等。感兴趣的朋友可以点击下方图片进行回放。

关于高精度语义分割模型的研究已经有很多效果很好的重量级模型，如PSPNet、DeepLabV3+等，然而实际应用的过程中，对于高效模型的诉求非常迫切，实时的语义分割目前也有很大的进展，如旷世的BiSeNet、DFANet等。知识蒸馏则是一种将重量级模型学到的知识转移给轻量级模型从而提升其精度的策略，并且在语义分割任务中也可应用。

深度学习，一个大号/深层的，现代的，黑箱的，信号/图像处理器，本文程序运行环境为MATLAB R2018A。

本文简要讲解如何训练U-Net卷积神经网络对7个通道的多光谱图像进行语义分割，7个通道包括3个颜色通道、3个近红外通道和一个掩模通道。需要使用具有计算能力3.0或更高版本的支持CUDA的NVIDIATMGPU（需要并行计算工具箱）。