Project Icon

mPLUG-DocOwl

多模态大语言模型实现无OCR文档理解的新突破

mPLUG-DocOwl是阿里巴巴集团开发的多模态大语言模型家族,致力于无OCR文档理解。该项目包含DocOwl1.5、TinyChart和PaperOwl等子项目,覆盖文档分析、图表理解和科学图表分析领域。mPLUG-DocOwl在多项基准测试中展现出卓越性能,推动文档智能处理技术进步。

Tabular-LLM - 表格智能数据集的收集与LLM模型优化
Alpaca-CoTGithubLLMTabular LLM开源项目微调平台表格智能
此项目利用Alpaca-CoT平台,集合和整理多种表格智能任务的数据集,并对现有的大型语言模型进行微调,以提升其对表格数据的理解和处理能力。主要涵盖表格问答和表格-文本生成等任务。项目提供开源训练代码和格式统一的表格数据,并开放训练模型,助力研究者复现及优化表格智能任务。
manga-ocr - 日本漫画光学字符识别工具,支持多种文本处理场景
GithubManga OCRPythonTransformers光学字符识别开源项目日本放送協会
Manga OCR 是一款基于Transformer的自定义端到端模型的光学字符识别工具,专为日本漫画设计。它可以识别垂直和平行文本、带有振假名的文本、覆盖在图像上的文本、各种字体以及低质量图像。Manga OCR 支持一次性识别多行文本,适用于漫画中的文本气泡。同时,该项目还提供与GUI阅读器和HTML覆盖生成工具的集成,便于用户创建完整的阅读和挖掘工作流程。
LLM-X - 多模型集成的大语言模型API管理平台
AI工具API集成LLM-X.AI大语言模型安全管理开发工具
LLM-X平台通过单一API整合多个大语言模型,提供安全的令牌管理和统一的LLM集成。该平台支持OpenAI、Anthropic等知名提供商,并具备API使用可视化功能。LLM-X简化了开发流程,无需管理基础设施,使开发者能专注于创新而非技术细节,从而提高工作效率。平台支持多个领先的大语言模型,让开发者能够轻松地在工作流中使用各种LLM,并通过成本跟踪功能优化资源利用。
graphologue - 实时可视化大型语言模型响应,提升信息获取与理解
GithubGraphologueLLMOpenAI APIUIST 2023交互图表开源项目
Graphologue将大型语言模型(如GPT-4)的文本响应实时转化为互动图表,使用创新提示和界面设计便于提取实体和关系,支持复杂信息任务。用户可以调整图示和提交上下文提示,促进与LLM的非线性对话,增强信息探索和组织能力。
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。
pdfdeal - PDF文本提取与优化工具 支持多种OCR引擎
Doc2XGithubOCR识别PDF处理pdfdeal开源项目知识库构建
pdfdeal是一个开源的PDF处理工具,专注于提取和优化文本内容。该工具支持多种OCR引擎,包括Doc2X,可实现PDF文本提取、图像文字识别和格式优化。pdfdeal支持多种文件格式,并提供与graphrag等检索增强生成(RAG)工具的集成指南,有助于提高知识库构建效率。
open_clip - 探索前沿图像与语言对比预训练技术
GithubOpenCLIP图像识别对比学习开源项目零样本学习预训练模型
OpenCLIP是一个先进的开源深度学习项目,专注于OpenAI的CLIP模型的实现和优化。该项目在多样化的数据源和不同的计算预算下成功训练出多个高效能模型,涵盖图像和文本嵌入、模型微调及新模型开发等多个领域。通过增强图像与语言的联合理解能力,OpenCLIP显著推动了人工智能技术的发展,拓宽了其应用领域。
cogvlm2-llama3-chinese-chat-19B - 双语视觉语言模型,支持大规模文本和图像解析
CogVLM2GithubHuggingface中文支持开源模型开源项目文本生成模型视觉理解
CogVLM2-LLaMA3-Chinese 是一个开源模型,支持中文和英文,表现出显著性能提升,比如在 TextVQA 和 DocVQA 基准测试中。这一模型支持最大8K的文本长度和1344*1344的图像分辨率,特别适合文本和图像的理解与对话任务。构建于Meta-Llama-3-8B-Instruct基础之上,用户可在ZhipuAI开放平台进行实际体验,适用于需要强大图像解析和多语言支持的场景。
MegaParse - 多功能文档解析工具,支持多种文件格式
GithubMegaParse广泛兼容开源开源项目文档解析高效
兼容多种文件格式的解析器,支持文本、PDF、PPT、Word等,确保信息无损。MegaParse开源免费,注重速度和效率。支持表格、目录、标题、页脚和图像等内容解析。添加OpenAI API密钥后,可激活LlamaParse功能,增强解析效果。操作简便,适用于各种文档处理需求。
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。

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