Project Icon

Emu3-VisionTokenizer

Emu3多模态模型通过单一预测方法实现突破性能

Emu3是一套创新的多模态模型,采用单一的下一个令牌预测方法进行训练。该模型将图像、文本和视频统一处理,从头训练单个Transformer模型。在生成和理解任务中,Emu3的表现超越了SDXL、LLaVA-1.6和OpenSora-1.2等知名模型,无需复杂架构。Emu3能生成高质量图像、理解视觉语言,并通过简单预测生成连贯视频,展现了多模态AI的新可能。

InternVL2-40B - 强化跨模态大语言模型的能力
GithubHuggingfaceInternVL场景文本理解多模态开源项目模型视觉理解计算机视觉
InternVL 2.0 通过融合多模态大语言模型,在文件和图表理解、信息图问答、场景文本理解和OCR任务等方面表现出色。它能够利用长文本、多图片和视频进行训练,提升对多种输入的处理效率,并提供1亿到108亿参数的多种模型可选择,与商业模型相当。在多项基准测试中,InternVL 2.0 展示了其卓越的综合理解能力。
open-muse - 开源项目MUSE模型重现,用于高效文本到图像生成
GithubHuggingfaceMUSEVQGANopen-musetransformer开源项目
open-muse项目致力于重现Transformer MUSE模型,通过LAION-2B和COYO-700M数据集的训练,提供简单且可扩展的代码库。项目包括在Imagenet上训练类别条件模型、在CC12M上进行文本到图像实验,以及训练改进的VQGAN模型,所有结果将上传至Huggingface的openMUSE组织。支持的模型包括MaskGitTransformer和VQGAN,方便使用并可在Huggingface hub上加载和保存。
SEED - 融合视觉与语言的多模态AI框架
AI助手GithubSEED-LLaMA多模态大语言模型开源项目视觉语言模型
SEED是一个创新的多模态AI框架,通过视觉分词器和去分词器,赋予大语言模型视觉理解和生成能力。该系统支持多模态理解与生成,展现出多轮上下文多模态生成等组合能力。基于SEED开发的SEED-LLaMA在广泛的多模态任务中表现优异,为AI领域开辟了新的研究方向。
paligemma-3b-pt-448 - 多语言视觉语言模型 适用于多种图像相关任务
GithubHuggingfacePaliGemma图像文本生成多语言支持开源项目微调模型视觉语言模型
PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。
uniem - 中文通用文本嵌入模型,支持多种微调与评测方案
GithubHuggingFaceM3EMTEB-zhuniem中文嵌入模型开源项目
项目旨在创建中文通用文本嵌入模型,提供训练、微调和评测代码,并在 HuggingFace 开源。更新亮点包括:FineTuner 支持多模型微调、推出中文版 MTEB 以及 M3E 系列模型在分类与检索任务中的表现。M3E 模型完全兼容 sentence-transformers,使用简易代码即可微调。项目推出 MTEB-zh 进行标准化评测,覆盖多个数据集和模型,结果已发布。
LLaVA-NeXT-Video-7B-hf - 先进多模态AI模型实现视频和图像理解
GithubHuggingfaceLLaVA-NeXT-Video人工智能多模态大语言模型开源项目模型视频理解
LLaVA-NeXT-Video-7B-hf是一个开源多模态AI模型,通过视频和图像数据的混合微调,实现了出色的视频理解能力。该模型支持多视觉输入和多提示生成,在VideoMME基准测试中表现优异。基于Vicuna-7B语言模型,可处理视频问答和图像描述等视觉任务。模型支持4位量化和Flash Attention 2优化,提供灵活高效的使用方式。
TinyCLIP-ViT-8M-16-Text-3M-YFCC15M - 高效压缩CLIP模型的跨模态蒸馏方法
CLIPGithubHuggingfaceTinyCLIP图像分类开源项目模型视觉语言预训练跨模态蒸馏
TinyCLIP是一种创新的跨模态蒸馏方法,专门用于压缩大规模语言-图像预训练模型。该方法通过亲和力模仿和权重继承两项核心技术,有效利用大规模模型和预训练数据的优势。TinyCLIP在保持comparable零样本性能的同时,显著减少了模型参数,实现了速度和精度的最佳平衡。这一技术为高效部署CLIP模型提供了实用解决方案,在计算资源受限的场景下尤其有价值。
OmniGen-v1 - 多模态图像生成模型特点与能力
GithubHuggingfaceOmniGen人工智能图像生成多模态开源项目模型模型优化
OmniGen是一个多模态图像生成模型,支持通过灵活的多模态指令生成多种图像,无需额外插件或操作。安装简便,界面友好,具备从文本生成图像的功能。其设计注重易用性和灵活性,支持用户自定义和微调,满足多样的图像生成需求。
nomic-embed-vision-v1 - 共享文本空间的先进视觉嵌入模型
GithubHuggingfaceTransformersnomic-embed-vision-v1图像嵌入多模态开源项目模型视觉模型
nomic-embed-vision-v1是一款先进的视觉嵌入模型,与nomic-embed-text-v1共享嵌入空间。在ImageNet零样本和Datacomp基准测试中,该模型表现优异,超越OpenAI CLIP和Jina CLIP等同类产品。支持多模态检索功能,适用于文本到图像检索等应用场景。开发者可通过Nomic嵌入API或Transformers库便捷地集成该模型,实现图像嵌入生成。
InternLM-XComposer - 多模态视觉语言模型实现超高分辨率理解与多场景交互
GithubInternLM-XComposer-2.5多回合多图对话多模态大语言模型开源项目网页制作高分辨率图像理解
InternLM-XComposer-2.5是一款高级多模态视觉语言模型,能处理高达96K的复杂图文背景。该模型优秀适用于超高清图像分析、多轮对话生成、网页创建等任务,并通过特殊算法优化输出质量,在多个基准测试中表现卓越。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号