vilt-b32-mlm

探索无卷积技术在ViLT模型中的应用

语言建模 Github 开源项目 PyTorch 模型 Huggingface ViLT 深度学习图像处理

ViLT模型利用无卷积方法在多个数据集进行预训练，专注于掩码语言建模。由Kim等人发布，适用于图像与文本结合场景。可通过PyTorch代码实现简单安装和试用，支持掩码位置的文本填补，推动自然语言处理和图像识别时跨模态学习的进展。

VLM2Vec-Full - 视觉语言模型VLM2Vec的多模态嵌入训练方法

GithubHuggingfaceTIGER-LabVLM2Vec多模态嵌入对比学习开源项目模型视觉语言模型

VLM2Vec在Phi-3.5-V模型中引入EOS标记，实现跨多模态输入的统一嵌入表达，高效结合文本与图像。通过对比学习在MMEB-train数据集上训练，并在36个数据集上进行评估，Lora训练方式表现最佳。项目提供模型检查点及完整训练记录，供用户在GitHub仓库克隆下载，通过代码实现文本与图像的嵌入和相似度计算，助力模型运用。

Llama-3-VILA1.5-8B - 视觉语言模型支持多图像推理和边缘计算

GithubHuggingfaceVILA图文理解多模态大模型开源项目模型视觉语言模型边缘计算

Llama-3-VILA1.5-8B是一款基于大规模交错图像-文本数据预训练的视觉语言模型。该模型具备多图像推理、情境学习和视觉思维链等功能,可部署于边缘设备。在12个基准测试中,包括5个学术视觉问答和7个指令跟随测试,Llama-3-VILA1.5-8B展现了优秀性能。这一模型为研究人员和AI爱好者提供了进行大型多模态模型和聊天机器人研究的有力工具。

ViT-B-32__openai - CLIP模型的ONNX导出版本用于图像和文本嵌入生成

CLIPGithubHuggingfaceImmich图像编码器开源项目文本编码器模型自托管照片库

ViT-B-32__openai项目是CLIP模型的ONNX导出版本，将视觉和文本编码器分离为独立模型。这种设计适用于生成图像和文本嵌入，特别针对Immich自托管照片库。该项目可用于处理大量图像和文本数据，有助于改进图像检索和跨模态搜索功能。

VisionLLM - 面向视觉任务的开放式多模态大语言模型

GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉

VisionLLM 系列是一种多模态大语言模型，专注于视觉相关任务。该模型利用大语言模型作为开放式解码器，支持数百种视觉语言任务，包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性，扩展了其在多模态应用场景中的能力，推动了计算机视觉与自然语言处理的融合。

InternVL2-4B - 先进多模态大语言模型探索视觉语言理解新高度

GithubHuggingfaceInternVL2图像理解多模态大语言模型开源项目指令微调模型

InternVL2-4B是一个多模态语言模型,集成InternViT-300M-448px视觉编码器和Phi-3-mini-128k-instruct语言模型。该模型在文档理解、图表问答和场景文字识别等任务中表现优异,超越多数开源方案。支持8K上下文窗口,可处理长文本、多图像和视频输入,在多模态能力评测中展现与商业模型相当的性能。

vip-llava-7b-hf - 基于自然视觉提示的多模态语言模型

AI聊天机器人GithubHuggingfaceViP-LLaVA图像识别多模态AI开源项目模型视觉语言处理

VipLLaVA在LLaVA基础上引入自然视觉提示训练机制，通过边界框和指向箭头等视觉标记增强模型的图像理解能力。作为基于Transformer架构的多模态模型，VipLLaVA支持多图像输入和复杂视觉查询处理。该模型通过微调LLaMA/Vicuna实现，可集成到transformers库中实现图像文本交互，并支持4位量化和Flash Attention 2优化部署。

vision-lstm - 将LSTM技术创新应用于计算机视觉的前沿架构

GithubViLVision-LSTM图像处理开源项目计算机视觉预训练模型

Vision-LSTM (ViL)是一个将LSTM技术创新应用于计算机视觉的开源项目。它提供了简洁的架构实现和完整的训练流程，在ImageNet-1K等视觉任务上表现优异。ViL支持多种模型配置，并提供预训练权重。项目采用双向LSTM结构，支持不同尺寸的模型（如tiny、small、base等），并提供了适用于长序列的fine-tuning版本。包含详细文档和示例，方便研究人员和开发者探索LSTM在视觉领域的应用。

ViT-B-16-SigLIP - 基于WebLI数据集的SigLIP视觉语言模型

GithubHuggingfaceSigLIPViT-B-16WebLI图像文本对比开源项目模型零样本图像分类

ViT-B-16-SigLIP是一个在WebLI数据集上训练的视觉语言模型，使用Sigmoid损失函数进行预训练。该模型支持对比学习和零样本图像分类任务，可通过OpenCLIP和timm库使用。ViT-B-16-SigLIP在图像-文本对齐和特征提取方面具有良好性能，适用于计算机视觉和自然语言处理的交叉应用研究。

ViT-SO400M-14-SigLIP - 基于SigLIP的视觉-语言模型实现零样本图像分类

GithubHuggingfaceSigLIPViT图像分类开源项目机器学习模型自然语言处理

ViT-SO400M-14-SigLIP是基于WebLI数据集训练的视觉-语言预训练模型，采用sigmoid损失函数进行图像和文本的联合学习。该模型在零样本图像分类任务中表现出色，具有良好的跨模态理解能力。通过OpenCLIP和timm库，用户可以方便地使用该模型生成图像和文本嵌入。ViT-SO400M-14-SigLIP适用于图像分类、图像检索等多种计算机视觉和自然语言处理任务。

ViT-B-16-SigLIP-512 - SigLIP驱动的视觉语言预训练模型用于零样本图像分类

GithubHuggingfaceSigLIPViTzero-shot图像分类对比学习开源项目模型

ViT-B-16-SigLIP-512模型利用SigLIP (Sigmoid loss for Language-Image Pre-training)技术，在WebLI数据集上进行训练。作为一个视觉语言预训练模型，它主要用于零样本图像分类任务。该模型兼容OpenCLIP和timm库，可生成高质量的图像和文本嵌入，为图像分类、检索等计算机视觉和跨模态应用提供基础。

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