Project Icon

h2ovl-mississippi-800m

紧凑型视觉语言模型,提供出色的文本识别功能

H2OVL-Mississippi-800M是H2O.ai推出的一款紧凑型视觉语言模型,拥有0.8亿参数,专注于OCR文本识别,表现出色。该模型在OCRBench测试中领先,超越更大规模的模型。基于H2O-Danube的架构,Mississippi-800M扩展了视觉和文本整合能力。通过1900万图文对进行训练,尤其注重OCR、文档理解以及表格和图表的解析,优化紫为OCR任务。

mPLUG-DocOwl - 多模态大语言模型实现无OCR文档理解的新突破
AI图表分析DocOwlGithubOCR-free多模态大语言模型开源项目文档理解
mPLUG-DocOwl是阿里巴巴集团开发的多模态大语言模型家族,致力于无OCR文档理解。该项目包含DocOwl1.5、TinyChart和PaperOwl等子项目,覆盖文档分析、图表理解和科学图表分析领域。mPLUG-DocOwl在多项基准测试中展现出卓越性能,推动文档智能处理技术进步。
internlm-xcomposer2d5-7b-4bit - 简化大型语言模型的文本与图像处理新纪元
4位量化模型GithubHuggingfaceInternLM-XComposer开源项目文本图像理解模型视频理解长上下文能力
InternLM-XComposer2.5在文本与图像理解领域展现非凡性能,其应用灵活性媲美GPT-4V,仅靠7B参数即可完成复杂任务。模型通过24K图文上下文训练与96K扩展能力,适用于大量输入输出任务。此外,项目提供了4-bit量化模型来有效降低内存消耗,并支持使用Transformers快速集成,涵盖从视频理解到多图对话的多种应用场景。
DFN5B-CLIP-ViT-H-14-378 - 大规模数据筛选优化的视觉语言预训练系统
CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉
DFN5B-CLIP-ViT-H-14-378是一款基于CLIP架构的视觉语言模型,采用数据过滤网络(DFN)技术从43B未筛选的图像-文本对中提取5B高质量数据进行训练。该模型在多项视觉任务中表现优异,平均准确率达70.94%。支持零样本图像分类,可与OpenCLIP框架无缝集成,为计算机视觉和自然语言处理研究提供了高性能的预训练模型基础。
blip-image-captioning-base - BLIP框架打造的先进图像描述生成模型
BLIPGithubHuggingface图像字幕图像理解多模态开源项目模型视觉语言预训练
blip-image-captioning-base是基于BLIP框架的图像描述生成模型,在COCO数据集上预训练。模型适用于条件和无条件图像描述任务,在图像-文本检索、图像描述和视觉问答等视觉语言任务中表现优异。它具有出色的泛化能力,可零样本迁移至视频语言任务。支持CPU和GPU运行,包括半精度模式,为开发者提供高效的图像描述生成工具。
text-to-video-ms-1.7b - 多阶段扩散模型实现文本到视频的智能转换
GithubHuggingfaceModelScopediffusion modeltext-to-video人工智能开源项目模型视频生成
text-to-video-ms-1.7b是一个基于多阶段扩散模型的文本到视频生成系统。该模型可将英文文本描述转化为匹配的视频内容,由三个子网络组成,总参数约17亿。支持长视频生成,适用于多种创意应用场景。目前仅支持英语输入,且存在无法生成清晰文本等局限性。该模型仅供研究用途,使用时应注意避免生成不当或有害内容。
MobileLLM - 轻量高效的移动设备语言模型
AI模型GithubMobileLLM开源项目深度学习神经网络语言模型
MobileLLM是一个针对移动设备优化的大型语言模型项目。该模型通过SwiGLU激活函数、深窄架构、嵌入共享和分组查询注意力等技术,在亿级参数规模下实现了高性能。MobileLLM在零样本常识推理任务中表现出色,不仅在125M和350M参数规模上超越了现有最先进模型,还成功扩展至600M、1B和1.5B参数规模,展示了其在移动设备应用中的潜力。
DeepSeek-MoE - 创新MoE架构打造高效大规模语言模型
DeepSeekMoEGithubMoE架构大语言模型开源模型开源项目模型评估
DeepSeek-MoE项目开发了创新的混合专家架构语言模型,采用细粒度专家分割和共享专家隔离策略。该16.4B参数模型仅使用40%计算量就达到DeepSeek 7B和LLaMA2 7B的性能水平。模型可在单个40GB内存GPU上直接部署运行,无需量化,为学术和商业研究提供了高效便捷的工具。
llm_aided_ocr - 提升OCR文本质量和一致性的系统
FAISSGithubLLM-Aided OCROCROpenAI APITesseract开源项目
该系统利用自然语言处理、机器学习和智能文本处理技术,将OCR输出的文本转换为高精度、格式化良好的易读文档。它解决了字符识别错误、段落结构不正确、虚构内容和格式不一致等常见OCR问题。支持从PDF到图像的转换,使用Tesseract进行OCR,并提供通过本地或API接口进行高级错误校正、智能文本分块处理和Markdown格式化等功能。此外,还采用FAISS和嵌入相似性检查进行内容过滤,确保输出文本的质量和一致性。
VLM_survey - 用于视觉任务的 AWESOME 视觉语言模型集合
GithubVision-Language Models开源项目数据集知识蒸馏视觉识别任务预训练方法
本页面详尽介绍了视觉语言模型(VLM)在视觉识别任务中的应用和发展。内容涵盖VLM的起源、常用架构、预训练目标、主流数据集及不同的预训练方式、迁移学习和知识蒸馏方法,并针对这些方法进行了详细的基准测试和分析。页面还讨论了未来研究的挑战和方向,让用户掌握VLM技术在图像分类、对象检测和语义分割等任务中的最新应用进展。
Phi-3-mini-4k-instruct - 微软3.8B参数高性能自然语言模型
GithubHuggingfacePhi-3-Mini-4K-Instruct人工智能开源项目机器学习模型自然语言处理语言模型
Phi-3-mini-4k-instruct是微软开发的轻量级开源AI模型,仅有3.8B参数。该模型在常识理解、语言处理、数学和编码等多项基准测试中表现优异,在13B以下参数模型中性能领先。它支持4K上下文长度,通过指令微调和偏好优化提升了指令遵循能力和安全性。这款模型适用于资源受限环境,可作为通用AI系统的重要组件。
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