Согласно отчету Webmaster House от 12 октября, команда Apple AI/ML и исследовательская группа Колумбийского университета разработали мультимодальную большую модель «Ferret», которая может точно находить светофоры на изображениях, что работает лучше, чем GPT-4V, и повышает точность больших моделей в задачах «смотреть, говорить, отвечать». Ключевая инновация Ferret заключается в тесном сочетании пространственного понимания как референции, так и заземления, что позволяет модели понимать семантику заданного региона и в то же время находить соответствующую цель.