Project Icon

paligemma-3b-pt-448

多语言视觉语言模型 适用于多种图像相关任务

PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。

Emu3-Gen - 统一模型驱动的AI系统实现图像文本与视频的生成与理解
AI生成Emu3GithubHuggingface图像处理多模态模型开源项目模型深度学习
Emu3采用单一变换器架构,将图像、文本和视频转化为统一序列空间进行处理。通过纯粹的下一标记预测训练方式,该系统在图像生成、视觉语言理解和视频生成等多个任务中展现出优异性能。与SDXL、LLaVA-1.6等专门模型相比,Emu3以更简洁的架构实现了更强的多模态处理能力。
Llama-3.2-11B-Vision-Instruct - 高效训练和部署具有多语言能力的大规模语言模型
GithubHuggingfaceLlama 3.2MetaUnsloth大语言模型开源项目模型模型微调
Llama-3.2-11B-Vision-Instruct是Meta开发的多语言大规模视觉语言模型,具备强大的对话和图像理解能力。该项目采用Unsloth技术,实现训练速度提升2.4倍,内存使用减少58%。模型支持英语、德语、法语等多种语言,适用于对话、检索、摘要等任务。项目提供简单易用的Colab笔记本,方便开发者进行模型微调和部署。Llama-3.2系列在多项行业基准测试中表现出色,超越了许多开源和闭源的对话模型。
Ovis1.6-Gemma2-9B - Ovis1.6-Gemma2-9B开源多模态大语言模型的嵌入对齐解决方案
GithubHuggingfaceOvis1.6transformers图像处理多模态大语言模型开源项目模型
Ovis1.6-Gemma2-9B是一个开源的多模态大语言模型,致力于视觉与文本嵌入的高效对齐。相比Ovis1.5,它在图像处理分辨率、数据集规模与质量上都有所提升,并通过DPO训练提高总性能。该模型在OpenCompass基准测试中展现了优异表现,支持图像和文本的多模态输入处理。更多使用指导与代码示例请访问其GitHub页面。
Llama-3.2-90B-Vision-Instruct-FP8-dynamic - 基于Meta-Llama架构的FP8量化多语言视觉对话模型
GithubHuggingfaceLlama-3.2vLLM人工智能开源项目模型模型量化视觉语言模型
这是一个基于Meta-Llama-3.2架构开发的视觉语言模型,包含900亿参数。通过FP8量化技术优化,将模型存储空间和GPU内存需求降低约50%。模型支持图像理解和多语言文本生成,主要应用于智能对话系统。借助vLLM后端可实现高效部署和OpenAI兼容服务。
siglip-large-patch16-384 - 通过改进的损失函数提升多模态图像和文本的匹配效率
GithubHuggingfaceSigLIP图像分类多模态模型开源项目模型零样本学习预训练
SigLIP模型通过改进的sigmoid损失函数在图像文本配对任务中表现优异,无需成对相似性的全局视图归一化,使批量处理更加灵活高效。适用于零样本图像分类和图像文本检索等任务,展现出优秀的可用性和扩展性。在WebLI数据集上预训练,有效提升多模态任务表现,同时保持在较低复杂性问题中的有效性。了解更多,请访问模型文档。
cogvlm2-llama3-chat-19B - 支持8K内容长度和高分辨率图像的开源多模态AI模型
CogVLM2GithubHuggingface人工智能图像理解对话模型开源项目模型视觉语言模型
CogVLM2是基于Meta-Llama-3-8B-Instruct的开源多模态AI模型,支持8K内容长度和1344*1344图像分辨率。该模型在TextVQA、DocVQA等多项基准测试中表现优异,具备图像理解和对话能力。CogVLM2提供英文和中英双语版本,在开源模型中表现突出,部分任务性能可与非开源模型媲美。
siglip-large-patch16-256 - SigLIP模型采用优化损失函数实现图像文本多模态任务
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CLIP模型的改进版本,使用sigmoid损失函数进行语言-图像预训练。该模型在WebLI数据集上以256x256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。通过优化损失函数,SigLIP实现了更高性能和更大批量规模。模型支持原始使用和pipeline API调用,在多项评估中展现出优于CLIP的表现。SigLIP为图像-文本多模态任务提供了新的解决方案。
cogvlm2-llama3-chat-19B-int4 - 不同场景应用的高性能多语言文本生成模型
CogVLM2GPU内存需求GithubHuggingface中英文支持图像分辨率基准测试开源项目模型
CogVLM2是一种先进的多语言文本生成模型,在多项基准测试中表现优异,如TextVQA和DocVQA。支持高达8K的文本长度和1344x1344的图像分辨率,并能在ZhipuAI开放平台上进行体验。该模型拥有高效的设计,占用较低的GPU内存,需在Linux系统下的Nvidia显卡上运行,适用于多语言环境中的各种场景。
gemma-2-9b-it-abliterated-GGUF - 文本生成性能优化的多种量化方法
ARM芯片GithubHuggingfacegemma-2-9b-it-abliterated嵌入/输出权重开源项目文本生成模型量化
该项目使用llama.cpp进行gemma-2-9b-it-abliterated模型的多种量化实现,能够适应不同的内存和硬件需求。用户可根据设备的RAM和GPU VRAM选择适合的模型文件大小。项目支持多种量化格式,如Q5_K_M和IQ3_M等,以满足不同的性能需求。通过huggingface-cli,用户可以轻松下载特定量化模型,并实现高效推理。建议在LM Studio中运行,并分享使用体验,以帮助优化模型质量和性能。
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。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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