Project Icon

self-operating-computer

使多模态模型能够操作计算机的框架

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。

OmniParser - 将界面截图转化为易于理解元素的智能工具
GPT-4VGithubOmniParser交互区域检测图标功能描述开源项目界面解析
本项目将用户界面截图解析为结构化元素,提升GPT-4V的操作准确性。近期发布的交互区域检测和图标功能描述模型,在Windows Agent Arena中表现卓越。项目易于安装并支持在Gradio中演示使用案例。如需更多详情,请参见项目主页。
openai-chat-api-workflow - 使用Alfred与OpenAI Chat API互动,实现GPT-4聊天、图像生成与语音处理
AlfredChat APIGPT-4GithubOpenAI图像生成开源项目
使用Alfred 5工作流与OpenAI Chat API互动,实现GPT-4聊天、图像生成及语音处理功能。支持通过Alfred界面、选中文本及本地Web界面操作,确保数据安全。用户可导出并导入聊天数据继续对话。详细介绍安装步骤、依赖项及多种功能命令,适合多样化使用需求。
WebcamGPT-Vision - 通过OpenAI GPT-4 Vision API实现实时图像分析的轻量应用
FlaskGithubOpenAI GPT-4 Vision APIWebcamGPT-Visionwebcam图像处理实时图像捕获开源项目
WebcamGPT-Vision是一款轻量级Web应用,利用OpenAI的GPT-4 Vision API实现实时图像处理,支持PHP、Node.js和Python/Flask三种版本,具备简洁直观的界面设计,能够从摄像头捕获图像并显示AI生成的描述。需要现代网络浏览器、相应的软件安装和OpenAI API密钥。
visualwebarena - 真实视觉网络任务评估多模态智能体表现的基准平台
AI评估GPT-4VGithubVisualWebArena多模态代理开源项目视觉网页任务
VisualWebArena是一个评估多模态自主语言智能体的真实基准平台。它包含多种基于网络的复杂视觉任务,全面评估智能体的各项能力。该项目基于WebArena的可复现评估方法,提供端到端训练和环境重置功能,支持在任意网页上测试多模态智能体。项目还公开了GPT-4V + SoM智能体在910个任务中的表现数据,方便研究人员进行分析和评估。
Otter - 基于MIMIC-IT数据集和OpenFlamingo的多模态模型
GithubMIMIC-ITOtter多模态开源项目指令微调视觉语言处理
该项目结合了OpenFlamingo模型和MIMIC-IT数据集进行多模态指令调优,拥有280万条指令-响应对,支持图像和视频内容的精确理解与互动。该项目还包括OtterHD模型,提升高分辨率视觉输入的细粒度解释,并推出MagnifierBench评估基准测试模型的微小物体识别能力。公开的代码可用于训练和预训练,并支持GPT4V的评估和Flamingo架构的多任务处理。
gpt-code-ui - 开源实现的OpenAI聊天式GPT代码执行工具
GPT-Code-UIGithubOpenAI代码执行开源开源项目社区
gpt-code-ui是一个开源项目,利用OpenAI模型生成和执行代码。支持文件上传和下载、多模型切换如GPT-3.5与GPT-4,并具备执行Python脚本的功能。项目鼓励社区交流,并提供Docker封装版本以便部署。
CogVLM - 开源视觉语言模型,提升图像理解与跨模态对话功能
CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试
CogVLM和CogAgent是领先的开源视觉语言模型,专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数,并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进,增添了GUI图像代理能力,支持1120*1120分辨率的图像理解,并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示,用户可以方便地进行模型推理和微调。了解更多信息,请访问项目主页。
AIlice - 本地运行的开源AI助理,助力高效完成复杂任务
AIliceGPT-4Github人工智能助手开源项目自动化语言模型
AIlice是一款全自主、通用的开源AI代理,旨在创建独立的AI助理,类似JARVIS。该代理采用开放源码的大语言模型(LLM)作为核心,擅长主题研究、编码、系统管理和文献综述等任务,支持多模态模型和语音互动功能。基于GPT-4,AIlice在日常任务中表现卓越,并支持自我扩展和模块动态加载,实现功能无限扩展。用户可通过简易指令完成多种复杂任务,享受高效的交互和任务执行体验。
octo - 基于transformer的通用机器人控制策略
AI模型GithubOcto开源项目微调机器人政策预训练模型
Octo是一个基于transformer的扩散策略模型,通过80万条多样化机器人轨迹数据训练而成。该模型支持多个RGB相机输入,可控制各种机器人手臂,并接受语言命令或目标图像指令。其模块化注意力结构使其能高效迁移至新的传感器输入、动作空间和形态。项目提供预训练模型、微调脚本和评估示例,便于研究人员进行深入开发和应用。
AISuperDomain - 面向Windows和macOS用户的多AI整合桌面应用
AI模型集成AilaGithub多平台支持开源项目自定义配置高效交互
Aila桌面应用集成了多种领先的AI模型,支持用户同时与多个AI进行互动。支持的AI模型包括ChatGPT、Gemini、Claude、Mistral AI等,提供多样化的响应。用户可选择显示AI响应的数量,并切换至全屏模式以优化阅读体验。通过灵活的配置选项和便捷的提交方式,Aila有效简化了AI互动流程,是优化用户AI体验的重要工具。
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