VLM_survey

用于视觉任务的 AWESOME 视觉语言模型集合

Vision-Language Models 视觉识别任务预训练方法知识蒸馏数据集 Github 开源项目

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。

Github

介绍相关项目

llava-onevision-qwen2-72b-si - 多模态模型提高视觉数据交互准确率

GithubHuggingfaceLLaVA-OneVision准确率图像交互多模态开源项目模型预训练模型

此开源项目使用多模态模型，准确率介于85.1%至93.7%之间，在AI2D、DocVQA、Science-QA等数据集表现优异。基于Qwen2语言模型，LLaVA-OneVision能在多语言环境中与视觉数据进行交互，经过大型图像及视频数据集训练，使用bfloat16精度。

llava-v1.5-7b - 融合视觉与语言的开源多模态AI模型

GithubHuggingfaceLLaVA人工智能图像文本理解多模态模型开源项目模型自然语言处理

LLaVA-v1.5-7B是一个开源的多模态AI模型，通过微调LLaMA/Vicuna实现。该模型整合了视觉和语言处理能力，能够理解图像并进行自然语言对话。LLaVA-v1.5-7B在大规模数据集上训练，包括558K图文对和158K多模态指令数据，并在12个基准测试中表现优异。这个模型主要应用于多模态大模型和聊天机器人的研究，适用于计算机视觉、自然语言处理等领域的研究人员。

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。

Awesome-Chinese-LLM - 中文大语言模型开源项目与应用全览

Github中文LLM可商用多轮对话大语言模型开源项目

探索Awesome Chinese LLM——这是一个集中展示中文大语言模型的开源项目、应用和教程的平台。包括100+项经优化微调的资源，助力自然语言处理的学术与应用开发。

ViTamin - 推动计算机视觉进入新时代的可扩展视觉语言模型

GithubViTamin图像处理开源项目深度学习视觉语言模型计算机视觉

ViTamin是一系列可扩展的视觉语言模型,在图像分类、开放词汇检测和分割等任务上取得突破。以436M参数量在DataComp-1B数据集训练,实现82.9%的ImageNet零样本准确率。在7个开放词汇分割基准测试中创新纪录,并提升大型多模态模型能力。获timm和OpenCLIP官方支持,提供简单接口。ViTamin为计算机视觉领域带来新的可能性。

llama3-llava-next-8b - 基于Llama 3的开源多模态视觉语言AI模型

GithubHuggingfaceLLaVA人工智能多模态模型开源项目机器学习模型深度学习

LLaVA-NeXT-8b是基于Meta-Llama-3-8B-Instruct的开源多模态模型，通过558K图文对和超过700K多模态指令数据训练而成。该模型集成视觉理解与文本生成能力，支持图像描述、视觉问答等任务。模型采用高效的分布式训练方法，训练时间约15-20小时。目前仅供学术研究使用，商业应用受限。

MobileVLM-1.7B - 移动设备优化的高效多模态视觉语言模型

GithubHuggingfaceMobileVLM多模态开源项目性能评估模型模型推理移动设备

MobileVLM-1.7B是一种专为移动设备设计的多模态视觉语言模型，通过多种优化技术实现高效推理，支持跨模态交互。该模型在标准基准测试中表现出色，并经过CLIP方式的预训练。在Qualcomm Snapdragon 888和NVIDIA Jeston Orin设备上的处理速度分别为每秒21.5个和65.3个令牌。

PointLLM - 多模态大语言模型理解点云数据的突破性进展

3D点云GithubPointLLM多模态大语言模型开源项目计算机视觉

PointLLM是一个创新的多模态大语言模型，可理解物体的彩色点云数据。该模型能够感知物体类型、几何结构和外观，而不受深度模糊、遮挡或视角依赖等问题影响。项目团队收集了包含660K简单和70K复杂点云-文本指令对的数据集，并采用两阶段训练策略。为评估模型的感知和泛化能力，研究人员建立了生成式3D物体分类和3D物体描述两个基准，并使用三种评估方法进行测试。

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。

llava-v1.6-vicuna-13b - 强大的图文多模态AI模型集成Vicuna-13b实现视觉智能对话

GithubHuggingfaceLLaVA多模态大型语言模型开源项目指令跟随模型视觉问答

LLaVA-v1.6是基于Vicuna-13b微调的开源多模态AI模型，通过大规模图文对和指令数据训练而成。该模型擅长学术视觉问答和通用图像理解，支持自然的图文交互。采用transformer架构，为计算机视觉和自然语言处理研究提供了强大的视觉语言处理工具。

相关项目

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