CogVideoX-5b

专家Transformer驱动的先进文本到视频生成模型

模型 Github 开源项目 Huggingface 扩散模型 CogVideoX 视频生成文本到视频人工智能

CogVideoX-5b是基于专家Transformer的文本到视频生成模型。它可生成6秒720x480分辨率、8帧/秒的视频,支持226个token的英文提示输入。模型采用BF16精度,推理VRAM消耗低至5GB。通过多项优化,CogVideoX-5b在保持视觉质量的同时提高了推理速度,为视频生成研究与应用提供了有力工具。

访问官网

Github

Huggingface

介绍相关项目

CogCoM - 链式操作助力视觉语言模型精细化理解

AI推理Chain of ManipulationsCogCoMGithub多模态开源项目视觉语言模型

CogCoM是一个新型视觉语言模型，采用链式操作技术逐步处理复杂视觉问题。该项目包含6种基本操作、级联数据生成流程和多轮多图像模型架构。CogCoM在对话、描述、定位和推理等方面表现出色，并在GQA、TallyVQA等多项基准测试中取得优异成绩。这个开源项目为研究人员提供了完整的代码、模型和数据集，促进了视觉语言模型在细节理解领域的发展。

StableVideo - 通过文本驱动实现一致性扩散的视频编辑技术

GithubHuggingFaceStableVideodiffusion开源项目文本驱动视频编辑

StableVideo 通过采用最新的文本驱动一致性扩散算法，提供了创新的视频编辑技术。用户可以下载预训练模型和示例视频，用于视频帧的编辑和渲染。该工具支持多种配置，提供详细的安装和运行指南，便于在本地进行实验。借助 ControlNet 和 Text2LIVE 等开源资源，StableVideo 展示了其在视频处理领域的强大应用潜力。如果该项目对研究有帮助，请参考相关学术论文。

v5-Eagle-7B-HF - 使用Huggingface Transformers库实现高效文本生成

GithubHuggingface人工智能大熊猫开源项目旅游模型

项目基于Huggingface Transformers库实现RWKV-5 Eagle 7B模型的高效功能，无论在CPU还是GPU上均能生成多样化的自然语言。提供详细的使用指南，适用多种场景，如回答问题和生成语言描述，适合高质量文本生成需求者，为自然语言处理任务提供支持。

Emu3-Gen - 统一模型驱动的AI系统实现图像文本与视频的生成与理解

AI生成Emu3GithubHuggingface图像处理多模态模型开源项目模型深度学习

Emu3采用单一变换器架构，将图像、文本和视频转化为统一序列空间进行处理。通过纯粹的下一标记预测训练方式，该系统在图像生成、视觉语言理解和视频生成等多个任务中展现出优异性能。与SDXL、LLaVA-1.6等专门模型相比，Emu3以更简洁的架构实现了更强的多模态处理能力。

internlm-xcomposer2d5-7b - 7B参数规模实现视觉语言理解和创作的开源多模态模型

GithubHuggingfaceInternLM-XComposer-2.5图像理解多模态开源项目模型网页生成长文本处理

InternLM-XComposer2.5采用7B参数规模构建，通过24K交错图文上下文训练,支持扩展至96K长文本理解。这个开源多模态模型在视频理解、多图对话、高清图像分析、网页生成和文章创作等场景中展现出强大的理解与创作能力。其优秀的长文本处理特性使其能够处理需要大量上下文的复杂任务。

V-Express - V-Express项目中的多媒体智能转换技术

GithubHuggingfaceV-Express开源项目模型稳定扩散视频生成面部分析音频编码器

V-Express项目通过diffusers库，实现从音频到视频的生成，整合了稳定扩散和文本到图像转换技术。项目中包含wav2vec2-base-960h音频编码器和insightface面部分析模型，支持多媒体内容的高效生成与分析。

VTimeLLM - 创新视频大语言模型实现精准时刻理解

GithubVTimeLLM多阶段训练大语言模型开源项目时间边界感知视频理解

VTimeLLM是一种先进的视频大语言模型，专注于精细化视频时刻理解和推理。该模型采用边界感知三阶段训练策略，包括图像-文本特征对齐、多事件视频时间边界识别和高质量视频指令微调。这种方法显著提升了模型的时间理解能力，使其在多项视频理解任务中表现优异。

F5-TTS - 提高训练和推理速度的先进文本到语音转换系统

E2 TTSF5-TTSGithub开源项目推理数据集训练

项目F5-TTS利用Diffusion Transformer和ConvNeXt V2技术，显著提升了训练和推理速度。支持生成最长30秒的音频，并通过Sway Sampling技术优化推理性能。用户可以自定义数据集，并使用多GPU和fp16配置加速训练。提供单次推理、语音编辑和批量推理功能，并支持通过Gradio App进行操作。多种测试数据集和评估工具确保模型表现稳定高效。

LLaMA-VID - 支持长视频处理的多模态大语言模型

GithubLLaMA-VID多模态大语言模型开源项目视觉语言模型视频理解

LLaMA-VID是一个新型多模态大语言模型,可处理长达数小时的视频。它通过增加上下文令牌扩展了现有框架的能力,采用编码器-解码器结构和定制令牌生成策略,实现对图像和视频的高效理解。该项目开源了完整的模型、数据集和代码,为视觉语言模型研究提供了有力工具。

cogagent-chat-hf - 视觉多轮对话及GUI代理开源模型

CogAgentCogVLMGUI操作GithubHuggingface图像理解开源项目模型跨模态基准

CogAgent是一款基于CogVLM改进的开源视觉语言模型，支持超高分辨率图像输入与OCR任务。在VQAv2等跨模态测试表现优秀，免费供学术研究，商业使用需注册许可。

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

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

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号