layoutlm-document-qa

LayoutLM文档智能问答模型

模型 Github 视觉问答开源项目 Huggingface LayoutLM 图像识别自然语言处理文档问答

LayoutLM文档智能问答模型是一个经过SQuAD2.0和DocVQA数据集微调的多模态模型。它能够准确回答发票、合同等各类文档图像中的问题，支持简单的Python代码调用。该模型为文档信息提取和理解提供了高效便捷的解决方案，适用于多种文档处理场景。

Github

Huggingface

介绍相关项目

eynollah - 结合深度学习和启发式算法的文档布局分析工具

EynollahGithub启发式算法图像处理开源项目文档布局分析深度学习

Eynollah是一款文档布局分析工具，支持多达10种分割类别，包括文本区域、页眉和图像等。它具有图像优化、文本行分割和阅读顺序检测等功能，结合了深度学习和启发式算法。Eynollah输出符合PAGE-XML标准，可作为OCR-D处理器使用。该项目主要面向历史文献分析，适用于需要精确文档布局分析的研究和应用场景。

Multimodal-AND-Large-Language-Models - 多模态与大语言模型前沿研究综述

Github人工智能多模态大语言模型开源项目机器学习视觉语言模型

LLaMA-VID - 支持长视频处理的多模态大语言模型

GithubLLaMA-VID多模态大语言模型开源项目视觉语言模型视频理解

LLaMA-VID是一个新型多模态大语言模型,可处理长达数小时的视频。它通过增加上下文令牌扩展了现有框架的能力,采用编码器-解码器结构和定制令牌生成策略,实现对图像和视频的高效理解。该项目开源了完整的模型、数据集和代码,为视觉语言模型研究提供了有力工具。

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。

pdf-analyze-streamlit - PDF与TXT智能问答应用及文档解析

GithubPDF Analyzer开源项目文档上传检索器相似性搜索问答应用

PDF Analyzer App 是一个智能问答应用，支持上传PDF和TXT文档并基于文档内容进行提问。应用采用相似性搜索和支持向量机技术提供精确回答。功能包括上传文档、选择检索类型、生成示例问答对及基于文档内容提问。用户可以轻松安装和运行，通过浏览器访问应用，享受便捷体验。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

llava-onevision-qwen2-7b-ov-hf - 支持单图多图和视频理解的多模态语言模型

GithubHuggingfaceLLaVA-Onevision人工智能图像理解多模态开源项目模型视频理解

LLaVA-Onevision-qwen2-7b-ov-hf是一个基于Qwen2微调的开源多模态大语言模型。作为首个能在单图、多图和视频场景中同时提升性能的模型，它展现了卓越的跨模态和跨场景迁移学习能力。该模型特别擅长视频理解和跨场景任务，支持多图像和多提示生成，适用于广泛的视觉理解应用。

ShapeLLM - 革新3D理解的多模态大语言模型

ShapeLLM是首个面向智能体交互的3D多模态大语言模型,支持单视图彩色点云输入。该项目引入了3D问答基准3D MM-Vet,并改进了点云编码器ReCon++。ShapeLLM在多项3D理解任务中表现出色,为智能体与3D环境交互提供了新思路。

llm-zoomcamp - 十周课程教你构建AI问答系统

AI系统GithubLLM Zoomcamp在线课程大语言模型开源项目问答系统

LLM Zoomcamp是一个十周免费在线课程，聚焦LLM实际应用。课程教授如何构建基于知识库的AI问答系统，内容包括LLM和RAG简介、开源LLM、向量数据库、评估监控、LLM编排等。由业内专家指导，适合具备编程基础的学习者。通过实践项目，学员能掌握构建AI系统的实用技能。

primeqa - PrimeQA：多语言问答系统的开源研究和开发平台

GithubPrimeQA信息检索多语言问答开源项目机器阅读理解问题生成

PrimeQA是一个开源平台，帮助研究人员和开发人员训练先进的问答模型。用户可以在PrimeQA上复制NLP会议中的实验，下载预训练模型并应用于自定义数据。该平台支持信息检索、多语言阅读理解、问题生成及检索增强的生成技术。PrimeQA在多个排行榜中名列前茅，整合Transformers工具包以提供强大的问答功能，满足领先的研究和开发需求。

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。

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