Logo
Project Icon

paligemma-3b-pt-224

基于SigLIP和Gemma的多功能视觉语言模型

模型GithubPaliGemma开源项目Huggingface图像处理自然语言处理多语言视觉语言模型

PaliGemma是一款结合SigLIP视觉模型和Gemma语言模型的视觉语言模型。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像字幕、视觉问答、文本阅读、物体检测等多种视觉语言任务中表现优异。模型采用Transformer架构,拥有30亿参数,经过大规模多语言数据预训练,可通过微调应用于特定任务。

访问官网访问官网GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
gemma - Google DeepMind开源的Gemma大语言模型
GemmaGithubGoogle DeepMindJAX大语言模型开源权重开源项目
Gemma是Google DeepMind推出的开源大语言模型系列，基于Gemini技术开发。项目提供Flax和JAX框架的推理实现和示例，支持CPU、GPU和TPU等多种硬件平台。包括模型权重下载、入门指南、示例代码和教程，便于开发者学习和应用。Gemma共有2B和7B两种参数规模的模型可供选择。
gemma-2-9b-it-GGUF - Gemma 2 Instruct模型，支持多语言与复杂文本生成
GemmaGithubGoogleHuggingface开源项目文本生成模型编程语言语言模型
Google推出的Gemma 2 Instruct是全新文本生成模型，旨在高效处理多语言和编程任务。训练基于8万亿令牌，数据量较前代提升30%，覆盖网络文档、代码和数学等数据集，支持复杂文本生成与逻辑推理。模型参数仅9亿，对硬件要求较低，适合内存有限的用户，同时具备多语言和代码生成能力。
shieldgemma-2b - 结合安全审核与文本生成技术，实现合规与伦理保障
GithubHuggingfaceShieldGemma内容审查大语言模型安全策略开源项目模型生成式AI
ShieldGemma利用深度语言模型进行内容审核，确保AI生成内容和用户输入的安全与合规。该工具专注四类风险：性别、危险内容、仇恨和骚扰。提供三种模型规模（2B、9B、27B），性能高效，便于识别政策违规。结合Google TPU技术，模型开放权重，适用多种AI场景。作为责任生成AI工具包的一部分，致力于提高AI的伦理与安全。
Multimodal-GPT - 整合视觉与语言功能的多模态对话机器人
GithubOpenFlamingo多模态GPT开源项目联合训练视觉指令语言模型
Multimodal-GPT是一个基于OpenFlamingo多模态模型的项目，通过结合视觉指令和语言指令数据的联合训练，有效提升模型性能。该项目支持VQA、图像描述、视觉推理、文本OCR和视觉对话等多种数据类型，并利用LoRA进行参数高效的微调。探索Multimodal-GPT的广泛应用可能性。
siglip-base-patch16-256-multilingual - 基于Sigmoid损失函数的多语言视觉语言模型
GithubHuggingfaceSigLIPWebLI数据集图像分类多模态模型开源项目模型零样本学习
SigLIP是一个基于CLIP架构的多语言视觉语言模型，通过Sigmoid损失函数优化训练效果。模型在WebLI数据集上以256x256分辨率预训练，实现零样本图像分类和图文检索功能。相比CLIP模型，在批量处理和整体性能上都有提升。模型经过16个TPU-v4芯片训练，支持多语言处理，主要应用于图像分类和跨模态检索任务。
siglip-base-patch16-224 - SigLIP改进CLIP模型 实现更高效的零样本图像分类和检索
GithubHuggingfaceSigLIP图像分类多模态模型开源项目模型自然语言处理计算机视觉
SigLIP是一种基于CLIP改进的多模态预训练模型，采用sigmoid损失函数优化语言-图像学习。该模型在WebLI数据集上以224x224分辨率预训练，适用于零样本图像分类和图像-文本检索任务。相比CLIP，SigLIP支持更大批量处理，且在小批量场景下表现更优。用户可通过Transformers库轻松加载和使用SigLIP模型，实现灵活高效的多模态应用。
task-13-google-gemma-2b - 提高模型性能和适配性以实现环境友好
GithubHuggingfacegoogle/gemma-2bpeft使用方法开源项目模型模型卡碳排放
该项目通过创新技术提升模型性能与适配性，更好地适应多种使用场景。采用精细化设计以降低环境影响，并结合PEFT技术实现高效能。项目着重于风险与偏见的意识，鼓励最佳实践，支持多样化的应用需求。
CogVLM2 - 基于Llama3-8B的GPT4V级开源多模态模型
CogVLM2CogVLM2-VideoGithubMeta-Llama-3-8B-Instruct图像理解开源项目视频理解
CogVLM2是基于Meta-Llama-3-8B-Instruct的下一代模型系列，在多项基准测试中表现优异，支持中英文内容和高分辨率图像处理。该系列模型适用于图像理解、多轮对话和视频理解，特别适合需要处理长文本和高分辨率图像的场景。CogVLM2系列还支持8K内容长度，并在TextVQA和DocVQA等任务中显著提升表现。体验更先进的CogVLM2和CogVLM2-Video模型，迎接未来视觉智能挑战。
InternVL2-Llama3-76B - 融合视觉与语言的多模态AI模型
GithubHuggingfaceInternVL2Llama3NLP多模态大语言模型开源项目模型视觉语言模型
InternVL2-Llama3-76B是一款融合视觉和语言能力的多模态AI模型。它由InternViT-6B视觉模型和Hermes-2-Theta-Llama-3语言模型组成，在文档理解、图表分析和场景文字识别等任务中表现优异。该模型支持8k上下文窗口，可处理长文本、多图像和视频输入，为用户提供全面的多模态分析能力。
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。
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