self-operating-computer

使多模态模型能够操作计算机的框架

Self-Operating Computer 多模态模型 GPT-4o 键盘鼠标操作 API接口 Github 开源项目

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。

文档

OmniFusion - 整合多模态数据的先进人工智能系统

GithubOmniFusion图像处理多模态AI模型开源项目深度学习自然语言处理

OmniFusion是一个整合多模态数据的人工智能系统，基于Mistral-7B核心和CLIP-ViT-L视觉编码器。通过创新的适配器机制，该系统能够处理图像等多种数据形式，在图像描述和视觉问答等任务中展现出优秀性能。OmniFusion由AIRI研究所FusionBrain团队与Sber AI合作开发，目前主要处理图像数据，未来计划扩展到音频等更多模态。

glm-4v-9b - 开源多模态AI模型GLM-4V-9B展现卓越性能

GLM-4V-9BGithubHuggingface图像描述多模态模型开源项目模型自然语言处理视觉理解

GLM-4V-9B是一款由智谱AI开发的开源多模态人工智能模型，支持1120x1120高分辨率下的中英双语多轮对话。该模型在综合能力、感知推理、文字识别和图表理解等多个领域表现优异，与GPT-4-turbo、Gemini 1.0 Pro等主流模型相比具有竞争力。GLM-4V-9B支持8K上下文长度，为研究者和开发者提供了强大的视觉理解和语言处理能力。

MiniCPM-V-2 - 多模态语言模型，支持跨平台高效部署

GithubHuggingfaceMiniCPM-V场景文本理解多模态开源项目模型深度学习视觉问答

MiniCPM-V 2.0是一个多模态大模型，以高效端侧部署和可靠性为特色，支持OCRBench和TextVQA等基准测试。该模型结合RLHF多模态技术，减少幻觉生成，并能处理任意宽高比的高分辨率图像。MiniCPM-V 2.0可在多数GPU和PC上高效运行，拥有中英双语支持，并能够在移动设备上执行，提供多种部署选择。

FreeGPT - 开源WebUI项目实现免费访问GPT-3.5和GPT-4

APIDockerFreeGPT WebUIGPT-4Github开源项目自动代理

FreeGPT是一个开源项目，提供用户友好的WebUI界面，无需API密钥即可免费访问ChatGPT功能。项目集成G4F API，支持GPT-3.5和GPT-4模型，并提供增强的越狱功能。FreeGPT还包括Docker支持和自动代理功能，便于部署和使用。作为开源的ChatGPT替代方案，FreeGPT旨在促进AI技术的学习和研究。

VoxPoser - 使用语言模型的3D机器人操作轨迹合成系统

3D价值地图GithubVoxPoser开源项目机器人操作语言模型轨迹合成

VoxPoser是一个3D机器人操作轨迹合成系统，结合大型语言模型和视觉语言模型实现零样本任务执行。该项目在RLBench环境中实现，无需训练数据即可生成复杂操作轨迹。系统通过语言模型程序（LMPs）递归生成代码，分解指令并为子任务组合价值图。VoxPoser包含接口、规划器和控制器等核心组件，用于规划和执行机器人操作任务。

MobileCLIP-S2-OpenCLIP - 高效图像-文本模型通过多模态强化训练实现性能突破

GithubHuggingfaceMobileCLIPOpenCLIP图像文本模型多模态强化训练开源项目模型零样本图像分类

MobileCLIP-S2-OpenCLIP是一款基于多模态强化训练的高效图像-文本模型。相比SigLIP的ViT-B/16模型，它在性能上有所超越，同时速度提升2.3倍，模型体积缩小2.1倍，且仅使用了1/3的训练样本。在ImageNet零样本分类任务中，该模型达到74.4%的Top-1准确率，在38个数据集上的平均性能为63.7%，体现了出色的效率与性能平衡。

Video-ChatGPT - 创新视频对话技术开启细致视频理解新纪元

GithubVideo-ChatGPT多模态大型视觉语言模型开源项目视频理解问答系统

Video-ChatGPT是一个融合大型视觉和语言模型的视频对话系统。该项目构建了10万条视频-指令对数据集,开发了首个视频对话量化评估框架,在视频推理、创意生成、空间和时间理解等任务中表现出色。这一开源项目为视频内容理解和人机交互带来了新的发展方向。

llava-v1.6-34b-hf - 图像与文本交互的多模态AI模型

GithubHuggingfaceLLaVa-NeXTNous-Hermes-2-Yi-34B光学字符识别多模态聊天机器人开源项目模型视觉指令微调

LLaVa-NeXT模型结合大规模语言模型与视觉编码器，通过提高图像分辨率和优化数据集，增强了OCR和常识推理能力，适用于多模态对话应用场景。支持图像字幕生成和视觉问答，提供双语功能与商业许可保障。

gpt4-with-calc - GPT-4数值计算能力增强技术探索

APIGPT-4Github开源项目数值计算模型评估问题解决

本项目研究了增强GPT-4数值计算能力的技术。通过详细报告、评估结果和示例代码，展示了GPT-4在处理复杂数学问题和金融报告分析方面的能力提升。项目提供命令行工具，支持自定义问题和预设样本测试。这种创新方法旨在扩展AI在精确数值计算领域的应用范围。

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