Instruct2Act

利用大语言模型实现多模态指令向机器人操作的映射

Instruct2Act 多模态指令机器人操控大型语言模型零样本方法 Github 开源项目

Instruct2Act是一种创新框架，通过大语言模型将多模态指令转化为机器人操作。该框架生成Python程序，有效结合感知、规划和动作环节，将复杂指令转化为精准策略代码。在不同场景尤其是桌面操作领域，框架的零样本方法表现优异，超越了许多现有的学习策略。

self-operating-computer - 使多模态模型能够操作计算机的框架

API接口GPT-4oGithubSelf-Operating Computer多模态模型开源项目键盘鼠标操作

Self-Operating Computer Framework通过模拟人类的视觉和手动操作，实现计算机的自动化控制。当前支持GPT-4o、Gemini Pro Vision、Claude 3和LLaVa多模态模型，并计划对更多模型开放兼容。适用于Mac OS, Windows和Linux系统。

LLaVA-pp - 结合先进模型的视觉能力扩展与演示

GithubHugging FaceLLaMA-3LLaVA++MBZUAIPhi-3开源项目

LLaVA-pp项目整合了Phi-3 Mini Instruct和LLaMA-3 Instruct模型，提升了视觉模型的能力。用户可通过Hugging Face Spaces和在线演示了解LLaMA-3-V和Phi-3-V的更新和结果。项目包含多种预训练及微调模型，支持学术任务和指令跟随应用。

GPT4Tools - 大语言模型自学使用多模态工具的创新系统

GPT4ToolsGithub多模态交互大语言模型开源项目自我指导视觉基础模型

GPT4Tools是基于Vicuna (LLaMA)的创新系统,通过71K自建指令数据实现对多个视觉基础模型的智能控制。该系统能自动决策和利用不同视觉模型,实现对话中的图像交互。项目支持通过自我指导和LoRA微调教授大语言模型使用工具,为图像相关需求提供高效解决方案。GPT4Tools的开源性和灵活性使其成为AI研究与应用的重要工具。

Open Interpreter - 大型语言模型助力计算机代码执行和任务完成

AI工具LLMOpen Interpreter代码执行任务完成计算机使用

Open Interpreter 是一个创新开源项目，使大型语言模型（LLM）能在本地计算机上执行代码，完成多样化任务。该项目通过自然语言交互，为计算机使用开创新方式，利用AI辅助复杂操作。在GitHub上，Open Interpreter已获得超过49,000星标，彰显其在开发者社区的欢迎度。目前，项目正开发桌面应用程序，并开放早期访问，以拓展功能性和实用性。

LLaMA2-Accessory - 全方位开源工具助力大规模语言与多模态模型研发

GithubLLaMA2-Accessory多模态大语言模型开源项目微调预训练

LLaMA2-Accessory是一个全面的开源工具包,专注于大规模语言模型和多模态语言模型的开发。该工具支持预训练、微调和部署,涵盖多种数据集和任务类型。工具包提供高效的优化和部署方法,并兼容多种视觉编码器和语言模型。其中还包含SPHINX,这是一个融合多种训练任务、数据领域和视觉嵌入的多功能多模态大型语言模型。

CogVLM2 - 基于Llama3-8B的GPT4V级开源多模态模型

CogVLM2CogVLM2-VideoGithubMeta-Llama-3-8B-Instruct图像理解开源项目视频理解

CogVLM2是基于Meta-Llama-3-8B-Instruct的下一代模型系列，在多项基准测试中表现优异，支持中英文内容和高分辨率图像处理。该系列模型适用于图像理解、多轮对话和视频理解，特别适合需要处理长文本和高分辨率图像的场景。CogVLM2系列还支持8K内容长度，并在TextVQA和DocVQA等任务中显著提升表现。体验更先进的CogVLM2和CogVLM2-Video模型，迎接未来视觉智能挑战。

Holodeck - 语言驱动的3D AI环境生成系统

3D环境生成AI2-THORGithubHolodeck实体AI开源项目自然语言指导

Holodeck是一个基于AI2-THOR平台的开源项目，旨在通过自然语言指令生成逼真的3D AI环境。该系统结合GPT-4语言模型和高效布局算法，能将文字描述转化为详细的3D场景。Holodeck为embodied AI研究提供了便捷工具，支持快速创建多样化的复杂环境用于测试和训练。项目提供完整代码和文档，为AI研究社区贡献了有价值的资源。

Aurora - 通过指令调优激活 Mixtral-8x7B 稀疏专家混合体的中文聊天功能

AuroraGithubMixtral-8x7B中文对话能力开源项目指令调优语言模型

Aurora项目通过整合三大中文数据集，提升了Mixtral-8x7B稀疏专家模型的中文对话能力。通过数据预处理和指令微调，该模型在C-Eval、MMLU和CMMLU基准测试中表现出色。这项研究首次在稀疏专家模型上应用指令微调，提升了模型的架构能力，特别是在零样本任务中表现卓越。

MotionGPT - 构建多任务的人体动作与语言统一模型

GithubMotionGPT人体动作人机交互多模态数据开源项目模型训练

MotionGPT是一种整合人体动作和语言的统一模型，专注于两种模态间的语义耦合学习。在诸多人体动作任务中表现优异，包括文本驱动动作生成、动作标题生成及动作预测。该模型结合预训练与指令性微调，能高效处理多种动作相关任务，是动作语言模型的新代表。此外，其零拍技术使其能识别新词汇并生成相应动作，突显处理复杂场景的能力。

instructor-embedding - 指令微调的文本嵌入模型

GithubINSTRUCTOR定制化任务开源项目文本嵌入模型高性能

INSTRUCTOR是一种指令微调的文本嵌入模型，无需额外训练即可生成定制化的文本嵌入，支持多种任务和领域，覆盖70项不同的嵌入任务，表现卓越。最新更新包括优化的代码结构和硬负样本检查点。用户可以通过本地或Colab轻松安装和使用INSTRUCTOR进行文本分类、信息检索和聚类等任务，并提供详细的安装及使用指南。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com