LaVIT

大语言模型理解生成视觉内容的统一框架

LaVIT 多模态大语言模型视觉内容理解视觉内容生成预训练策略 Github 开源项目

LaVIT项目是一个创新的多模态预训练框架，旨在增强大语言模型处理视觉内容的能力。该项目通过动态离散视觉标记化技术，将图像和视频转换为离散标记序列，使大语言模型能够理解和生成视觉内容。LaVIT支持图像和视频的理解、生成，以及多模态提示生成，为计算机视觉和自然语言处理的融合提供了新的可能性。

VLM2Vec-Full - 视觉语言模型VLM2Vec的多模态嵌入训练方法

GithubHuggingfaceTIGER-LabVLM2Vec多模态嵌入对比学习开源项目模型视觉语言模型

VLM2Vec在Phi-3.5-V模型中引入EOS标记，实现跨多模态输入的统一嵌入表达，高效结合文本与图像。通过对比学习在MMEB-train数据集上训练，并在36个数据集上进行评估，Lora训练方式表现最佳。项目提供模型检查点及完整训练记录，供用户在GitHub仓库克隆下载，通过代码实现文本与图像的嵌入和相似度计算，助力模型运用。

InternVL2-40B - 强化跨模态大语言模型的能力

GithubHuggingfaceInternVL场景文本理解多模态开源项目模型视觉理解计算机视觉

InternVL 2.0 通过融合多模态大语言模型，在文件和图表理解、信息图问答、场景文本理解和OCR任务等方面表现出色。它能够利用长文本、多图片和视频进行训练，提升对多种输入的处理效率，并提供1亿到108亿参数的多种模型可选择，与商业模型相当。在多项基准测试中，InternVL 2.0 展示了其卓越的综合理解能力。

vit-base-patch32-224-in21k - Vision Transformer模型在2100万图像数据集上预训练

GithubHuggingfaceImageNet-21kVision Transformer图像识别开源项目模型深度学习计算机视觉

Vision Transformer (ViT) 是一种基于transformer架构的视觉模型，在ImageNet-21k数据集上预训练。该模型将图像转换为固定大小的patch序列，通过线性嵌入和位置编码输入transformer编码器。ViT可应用于图像分类等多种视觉任务，只需在预训练编码器上添加任务特定层。模型在224x224分辨率下训练，批量大小为4096，在多项图像分类基准测试中展现出优秀性能。

blip-itm-large-flickr - 多任务视觉-语言理解与生成模型

BLIPGithubHuggingface图像-文本匹配图像描述开源项目机器学习模型语言-图像理解

BLIP是一个视觉-语言预训练框架，利用Flickr30k数据集提升图像-文本匹配性能。通过合成标题的生成与过滤机制，减少噪声数据对结果的影响。BLIP在多项任务上表现出色，包括图像-文本检索、图像标题生成和视觉问答，此外，还具备视频语言任务的泛化能力。该模型支持条件与无条件的图像标题生成，应用灵活多样。

ViT-Prisma - 视觉变换器和CLIP模型机制解析开源库

GithubVision Transformer图像处理开源库开源项目机器学习解释性神经网络可视化

ViT-Prisma是一个专注于Vision Transformer和CLIP模型的开源机制解析库。它提供logit归因、注意力可视化和激活修补等技术，用于深入分析模型内部机制。该库还包含ViT训练代码和预训练模型，支持ImageNet-1k和dSprites分类任务。ViT-Prisma为视觉模型可解释性研究提供了实用的工具集。

LLaVA-NeXT-Video-7B-hf - 先进多模态AI模型实现视频和图像理解

GithubHuggingfaceLLaVA-NeXT-Video人工智能多模态大语言模型开源项目模型视频理解

LLaVA-NeXT-Video-7B-hf是一个开源多模态AI模型，通过视频和图像数据的混合微调，实现了出色的视频理解能力。该模型支持多视觉输入和多提示生成，在VideoMME基准测试中表现优异。基于Vicuna-7B语言模型，可处理视频问答和图像描述等视觉任务。模型支持4位量化和Flash Attention 2优化，提供灵活高效的使用方式。

MiniGPT-4 - 视觉语言多任务学习的统一接口

GithubMiniGPT-v2图像理解多任务学习大型语言模型开源项目视觉语言模型

MiniGPT-4是一个视觉语言理解项目，整合了Llama 2和Vicuna模型以增强多模态能力。它支持图像描述、视觉问答和多任务学习，能够处理复杂的视觉理解任务。项目的开源性和灵活架构为研究人员和开发者提供了探索视觉语言AI的工具。

vit_small_patch14_reg4_dinov2.lvd142m - 基于自监督学习的视觉Transformer用于图像特征提取和分类

GithubHuggingfaceVision Transformer图像分类图像特征开源项目模型深度学习自监督学习

该Vision Transformer (ViT) 图像特征模型通过自监督学习进行预训练，基于LVD-142M数据集并采用DINOv2方法。模型专为图像分类和特征提取设计，包含22.1M参数和29.6 GMAC的运算能力。其注册方法增强了处理518x518像素图像的效果，DINOv2技术有助于无监督视觉特征学习。此模型在图像嵌入应用中表现优异，并支持多种视觉分析与研究。用户可使用timm库简单调用和部署模型，适合多种机器学习场景。

ViT-B-32__openai - CLIP模型的ONNX导出版本用于图像和文本嵌入生成

CLIPGithubHuggingfaceImmich图像编码器开源项目文本编码器模型自托管照片库

ViT-B-32__openai项目是CLIP模型的ONNX导出版本，将视觉和文本编码器分离为独立模型。这种设计适用于生成图像和文本嵌入，特别针对Immich自托管照片库。该项目可用于处理大量图像和文本数据，有助于改进图像检索和跨模态搜索功能。

ViT-SO400M-14-SigLIP-384 - 采用SigLIP技术的大规模视觉-语言预训练模型

GithubHuggingfaceSigLIPViT-SO400M-14WebLI图像文本对比开源项目模型零样本图像分类

ViT-SO400M-14-SigLIP-384是一个在WebLI数据集上训练的大规模视觉-语言预训练模型。该模型采用SigLIP（Sigmoid Loss for Language-Image Pre-training）技术，适用于对比学习和零样本图像分类任务。模型提供了与OpenCLIP和timm库的兼容性，支持图像和文本编码。研究人员可将其应用于图像分类、检索等多种视觉-语言任务中。

相关项目

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。

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