mgp-str-base

多粒度预测的场景文本识别开源模型

计算机视觉 Huggingface 多粒度预测模型光学字符识别 MGP-STR Github 场景文字识别开源项目

MGP-STR base-sized model是一个基于ViT和A^3模块的场景文本识别开源模型。它采用多粒度预测方法，包括字符、子词和单词级别，以提高识别精度。该模型在MJSynth和SynthText数据集上训练，适用于复杂场景的OCR任务，并可方便地集成到PyTorch项目中。

文档

magvit2-pytorch - MagViT2视频生成和理解模型的PyTorch开源实现

AI模型GithubMagViT2Pytorch实现开源项目视频生成语言模型

muse-maskgit-pytorch - 基于掩码生成变压器的PyTorch文本到图像生成框架

AI绘图GithubMaskGitMusePyTorch图像生成开源项目

muse-maskgit-pytorch是一个实现Muse: Text-to-Image Generation via Masked Generative Transformers的开源项目。该框架集成了VQGanVAE和MaskGit模型，支持基础图像生成和超分辨率处理。项目提供了完整的训练和生成流程，包括VAE训练、基础MaskGit和超分辨率MaskGit的使用方法，为研究人员提供了探索文本到图像生成技术的工具。

siglip-base-patch16-384 - 改进型CLIP架构的图像文本预训练模型

GithubHuggingfaceSigLIP图像分类多模态模型开源项目模型深度学习计算机视觉

SigLIP是基于CLIP架构的多模态模型，通过Sigmoid损失函数优化了图像文本预训练过程。模型在WebLI数据集完成预训练，支持零样本图像分类和文本检索任务。其特点是无需全局相似度标准化，既可支持大规模批量训练，也适用于小批量场景。

MiniCPM-V-2_6 - 高性能多模态语言模型实现单图多图视频智能理解

GithubHuggingfaceMiniCPM-V人工智能图像理解多模态大语言模型开源项目模型视频理解

MiniCPM-V 2.6是一个高效的多模态大语言模型，仅用8B参数就达到了GPT-4V级别的表现。该模型支持单图、多图和视频理解，在多项基准测试中成绩优异。它具备出色的性能、多图和视频理解能力、强大的OCR功能以及多语言支持。MiniCPM-V 2.6还以其高效率和易用性著称，可轻松部署在包括手机和平板电脑在内的各种设备上。

bge-base-en-v1.5 - 增强文本处理能力的多任务学习模型

GithubHuggingfacesentence-transformers分类句子相似性句子聚类开源项目模型特征提取

bge-base-en-v1.5模型通过多任务学习优化自然语言处理技术，覆盖分类、检索、聚类和重排任务。在多个MTEB数据集上表现优异，例如在亚马逊情感分类任务中达到93.39%的准确率，在AskUbuntu重排任务中MRR达到74.28%。该模型具有MIT开源许可，适用于多种英语任务，为研究人员和开发者提供有效支持。

ml-mdm - 开源框架实现高分辨率文本到图像生成模型

GithubMatryoshka Diffusion Models开源项目文本到图像生成深度学习神经网络模型高分辨率图像合成

ml_mdm是一个Python开源项目,实现了Matryoshka扩散模型技术用于文本到图像生成。该框架支持训练单个像素空间模型生成高达1024x1024分辨率的图像,开源了U-Net和嵌套U-Net的实现。项目提供预训练模型、Web演示和CC12M数据集上的训练教程,为高分辨率图像和视频合成提供完整解决方案。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

gte-base-en-v1.5 - 英文文本嵌入模型在自然语言处理任务中的应用

GithubHuggingfaceMTEBsentence-transformerstransformers分类开源项目检索模型

gte-base-en-v1.5是一个英文文本嵌入模型,在MTEB基准测试中展现出优秀性能。该模型在句子相似度、文本分类和信息检索等自然语言处理任务中表现突出,能有效捕捉文本语义并为下游应用提供高质量的文本表示。测试结果显示,gte-base-en-v1.5在多个评估指标上取得了良好成绩,体现了其在不同应用场景中的实用价值。

layoutlmv3-base - 多模态文档AI预训练模型

Document AIGithubHuggingfaceLayoutLMv3多模态预训练开源项目文本图像掩码文档人工智能模型

LayoutLMv3是一款文档AI预训练模型，采用统一的文本和图像掩码方法。该模型架构简单，训练目标明确，适用于多种文档AI任务。通过微调，LayoutLMv3可用于表单理解、收据识别、文档问答等文本相关任务，以及文档图像分类、文档布局分析等图像相关任务。作为通用预训练模型，LayoutLMv3在文档AI领域的多项任务中表现出色。

pix2struct-tiny-random - 高效图像到文本转换的轻量级模型

GithubHuggingfaceMIT许可证图像到文本开源项目机器学习模型自然语言处理计算机视觉

pix2struct-tiny-random是一个开源的轻量级图像到文本转换模型。该模型体积小、速度快，适合在资源受限环境中使用。它能够从图像中提取和生成文本信息，可用于开发图像理解和文本生成应用。该项目采用MIT许可证，标记为image-to-text管道。

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