paligemma-3b-pt-448

多语言视觉语言模型适用于多种图像相关任务

模型图像文本生成多语言支持 Github PaliGemma 微调视觉语言模型 Huggingface 开源项目

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。

访问官网

Github

Huggingface

介绍相关项目

CogVLM - 开源视觉语言模型，提升图像理解与跨模态对话功能

CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试

CogVLM和CogAgent是领先的开源视觉语言模型，专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数，并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进，增添了GUI图像代理能力，支持1120*1120分辨率的图像理解，并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示，用户可以方便地进行模型推理和微调。了解更多信息，请访问项目主页。

groundingLMM - 结合视觉分割和对话生成的多模态AI模型

GLaMMGithub图像分割多模态模型对话生成开源项目视觉基础

GLaMM是一种新型多模态AI模型，将自然语言生成与对象分割技术相结合。该模型提出了接地对话生成任务，并基于GranD数据集进行训练。GLaMM能够处理图像和区域级输入，支持视觉对话和指代表达分割等功能，为视觉语言交互提供了新的解决方案。

Llama-3.2-11B-Vision-Instruct - Meta推出支持图文交互的语言模型

GithubHuggingfaceLlama 3.2Meta图像识别多模态大语言模型开源项目模型问答系统

Llama-3.2-11B-Vision-Instruct是一款由Meta开发的大型语言模型，集成了文本理解和图像识别能力。模型采用11B和90B两种参数规模，支持128K长度的上下文处理。基于Llama 3.1架构，通过监督学习和人类反馈优化，在视觉问答、图像描述、文档理解等任务中展现出优秀性能。该项目开放商用授权，需遵循Llama 3.2社区许可协议。

LlamaGen - 自回归模型在图像生成中的应用和优势

AR模型GithubHugging FaceLlamaGen图像生成开源项目自回归模型

LlamaGen项目展示了自回归模型在图像生成中的潜力，通过无偏视觉信号和大规模数据训练，实现了媲美扩散模型的性能。该项目发布了多种图像tokenizer和生成模型，支持从100M到3B参数的多种配置，并提供在线演示和高效的vLLM服务框架。访问项目页面和在线demo，体验这些创新模型的强大功能。

codegemma-1.1-7b-it-GGUF - 文本生成的多样化量化模型选择

GithubHugging FaceHuggingfacetransformers开源项目文本生成模型模型下载量化

项目使用llama.cpp进行模型量化，提供多种模型版本以优化文本生成性能。用户可以依据硬件配置选择合适的模型版本，推荐选用Q6_K等高质量量化格式。多样化的模型版本在内存占用和性能表现之间提供灵活选择，适用于多种硬件平台。I-quant模型在较低量化级别上表现优异，适合需要高效运行的场景。

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。

Llama-3.2-1B-Instruct-GGUF - 多语言大型语言模型提升对话与摘要任务表现

GithubHuggingfaceLlama 3.2Meta多语言大语言模型开源项目模型社区许可协议

Meta的多语言大模型Llama 3.2支持多种语言，优化对话与摘要任务。模型提供1B和3B版本，通过监督微调和人类反馈强化学习提升互动有用性与安全性。采用优化的Transformer架构，并利用Grouped-Query Attention提升推理能力。开发者可以根据需求进行模型微调。模型发布于2024年9月25日，采用商用许可协议，建议在商业与研究中谨慎使用。

Llama-3.2-3B-Instruct-GGUF - 多语言模型优化文本生成与对话

GithubHuggingfaceLlama 3.2Meta元学习多语言文本生成开源项目模型许可协议

Llama 3.2作为多语言生成模型，通过优化变换器架构，在文本生成和对话中表现出色，适用于商业和研究。支持英语、德语、法语等多种语言，并可通过监督微调和人类反馈提升性能，特别在信息检索和总结任务中表现优异。使用需遵循许可协议。

gemma-2-2b-jpn-it - Gemma 2系列日语大模型实现多任务自然语言处理

Gemma 2 JPNGithubHuggingface人工智能模型大语言模型开源项目日语模型机器学习模型

Gemma 2系列2B参数日语大语言模型从Gemini技术中汲取灵感，通过8万亿tokens数据训练而成。模型支持日语文本生成、问答和摘要等功能，采用TPUv5p硬件与JAX框架开发。在日语任务评测中准确率达98.24%，提供多种部署方案及精度配置选项。

XLM-Roberta-Large-Vit-B-16Plus - 支持50多种语言的多模态视觉语言模型

GithubHuggingfaceXLM-Roberta图像识别多语言CLIP开源项目机器学习模型自然语言处理

XLM-Roberta-Large-Vit-B-16Plus是一个多语言视觉语言模型，扩展了CLIP模型至50多种语言。该模型包含多语言文本编码器，可与Vit-B-16Plus图像编码器协同工作。在多语言MS-COCO数据集的文本-图像检索任务中，它在11种语言中均表现出色。模型能够从多语言文本和图像中提取特征向量，适用于跨语言的图像文本匹配应用。

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。

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