MultiPLY

3D环境中的多感官物体中心大语言模型

MultiPLY是一个多感官交互式大语言模型，在3D环境中能主动与物体交互并收集视觉、听觉、触觉和热感信息。它将多感官交互数据整合到语言模型中，建立词语、行为和感知间的关联。该模型采用物体中心表示，通过执行动作揭示物体的多感官细节，为自然语言处理和人工智能研究提供新思路。

访问官网

Github

论文

介绍相关项目

groundingLMM - 结合视觉分割和对话生成的多模态AI模型

GLaMMGithub图像分割多模态模型对话生成开源项目视觉基础

GLaMM是一种新型多模态AI模型，将自然语言生成与对象分割技术相结合。该模型提出了接地对话生成任务，并基于GranD数据集进行训练。GLaMM能够处理图像和区域级输入，支持视觉对话和指代表达分割等功能，为视觉语言交互提供了新的解决方案。

MobileLLM - 轻量高效的移动设备语言模型

AI模型GithubMobileLLM开源项目深度学习神经网络语言模型

MobileLLM是一个针对移动设备优化的大型语言模型项目。该模型通过SwiGLU激活函数、深窄架构、嵌入共享和分组查询注意力等技术，在亿级参数规模下实现了高性能。MobileLLM在零样本常识推理任务中表现出色，不仅在125M和350M参数规模上超越了现有最先进模型，还成功扩展至600M、1B和1.5B参数规模，展示了其在移动设备应用中的潜力。

mllm - 轻量级移动设备多模态大语言模型推理引擎

AI推理引擎Githubmultimodal LLM开源项目移动设备边缘计算量化

mllm是一款针对移动和边缘设备优化的多模态大语言模型推理引擎。该引擎采用纯C/C++实现，无外部依赖，支持ARM NEON和x86 AVX2指令集，并提供4位和6位整数量化。开发者可利用mllm构建智能个人助理、基于文本的图像搜索、屏幕视觉问答等移动应用，实现本地推理而无需上传敏感数据。

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。

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。

NExT-GPT - NExT-GPT多模态语言大模型的前沿应用和技术

GithubNExT-GPT多模态LLM多模态编码开源项目端到端学习语言模型

NExT-GPT，一个先进的多模态语言处理大型模型，支持文本、图像、视频和音频的综合处理。该模型整合了最新科技，提供代码和数据资源，可广泛应用于内容自动生成和多模态交互等领域。它利用先进的多模态编码器和语言模型进行有效的语义理解与生成，同时能输出特定模态内容，满足多种输入与输出需求。

mPLUG-Owl - 模块化多模态大型语言模型

CVPR 2024GithubmPLUG-OwlmPLUG-Owl2多模态大语言模型开源项目模块化

mPLUG-Owl系列模型通过模块化强化其多模具集成，提升大型语言模型的功能。mPLUG-Owl2在CVPR 2024获得突出展示，而最新的mPLUG-Owl2.1则针对中文模式进行了优化，已在HuggingFace平台推出。

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。

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。

AnyGPT - 基于离散序列建模的多模态语言模型

AnyGPTGithub多模态语言模型大语言模型开源项目模态转换离散序列建模

AnyGPT是一款基于离散序列建模的多模态语言模型，能够统一处理语音、文本、图像和音乐等多种模态。该模型通过将不同模态数据转换为统一的离散表示，实现了模态间的转换和自由对话。AnyGPT包含基础模型和聊天模型两个版本，前者实现了四种模态的对齐，后者基于AnyInstruct数据集训练，支持灵活的多模态交互。

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