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。

chinese-clip-vit-base-patch16 - 中文数据驱动的多模态对比学习工具

Chinese-CLIPGithubHuggingface图像识别多模态检索开源项目模型深度学习零样本学习

项目通过ViT和RoBERTa实现了中文CLIP模型，支持图像和文本的嵌入计算及相似性分析，具备零样本学习和图文检索功能。该模型在多项基准测试中表现优秀，包括MUGE、Flickr30K-CN等。结合其官方API，用户可轻松实现多场景中的图文转换与识别。详细信息和实施教程可在GitHub获取。

vilt-b32-mlm - 探索无卷积技术在ViLT模型中的应用

GithubHuggingfacePyTorchViLT图像处理开源项目模型深度学习语言建模

ViLT模型利用无卷积方法在多个数据集进行预训练，专注于掩码语言建模。由Kim等人发布，适用于图像与文本结合场景。可通过PyTorch代码实现简单安装和试用，支持掩码位置的文本填补，推动自然语言处理和图像识别时跨模态学习的进展。

Video-LLaVA - 视频多模态模型，具备像素级定位能力

GithubLMMPG-Video-LLaVA像素级别定锚开源项目视频理解音频上下文

PG-Video-LLaVA通过模块化设计，首次实现视频多模态模型具备像素级定位能力。该框架使用现成的追踪器和创新的定位模块，能够根据用户指令在视频中实现空间定位。引入新的基准测试用于评估基于提示的对象定位性能，并结合音频上下文完善视频内容理解，提高在对话和新闻视频等场景中的适用性。改进的定量基准测试确保更高的透明度和可重复性。

ALLaVA - GPT4V合成数据集助力轻量级视觉语言模型训练

ALLaVAGPT-4VGithub开源项目微调数据集视觉语言模型

ALLaVA项目推出大规模GPT4V合成数据集，旨在促进轻量级视觉语言模型的训练。项目发布了ALLaVA-Phi3-mini-128k、ALLaVA-StableLM2-1_6B和ALLaVA-Phi2-2_7B等多个模型版本，可直接从Hugging Face仓库加载。ALLaVA-4V数据集整合了LAION和Vision FLAN的图像标注与指令数据，以及GPT-4-Turbo生成的文本指令，总样本量超过140万。这一资源为视觉语言模型研究提供了丰富的训练数据和预训练模型，有望推动该领域的进一步发展。

llava-onevision-qwen2-7b-si - 多模态AI模型实现图像和视频的深度理解

GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态开源项目机器学习模型

LLaVA-OneVision是一个基于Qwen2语言模型的多模态AI系统，拥有32K tokens的上下文窗口。该模型能够处理单图像、多图像和视频输入，在多个基准测试中表现出色。支持英语和中文，适用于广泛的视觉理解任务。开发者可通过提供的Python代码快速集成该模型，实现图像分析和问答功能。

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

ViT-B-16-SigLIP-512 - SigLIP驱动的视觉语言预训练模型用于零样本图像分类

GithubHuggingfaceSigLIPViTzero-shot图像分类对比学习开源项目模型

ViT-B-16-SigLIP-512模型利用SigLIP (Sigmoid loss for Language-Image Pre-training)技术，在WebLI数据集上进行训练。作为一个视觉语言预训练模型，它主要用于零样本图像分类任务。该模型兼容OpenCLIP和timm库，可生成高质量的图像和文本嵌入，为图像分类、检索等计算机视觉和跨模态应用提供基础。

CLIP-ViT-H-14-frozen-xlm-roberta-large-laion5B-s13B-b90k - CLIP架构多语言视觉语言模型实现高效零样本图像分类与检索

CLIPGithubHuggingfaceLAION-5B图像分类多语言模型开源项目模型零样本学习

这是一个基于CLIP架构的多语言视觉语言模型,在LAION-5B数据集上训练。模型结合了冻结的ViT-H/14视觉结构和XLM-RoBERTa大型文本模型,在多语言零样本图像分类和检索任务中表现优异。适用于零样本图像分类、图文检索等应用,也支持下游任务微调。该模型在英语及其他语言中均展现出强大性能,为跨语言视觉AI应用提供了有力支持。

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。

llava-interleave-qwen-7b-hf - 领先的多模态AI模型支持多图像视频和3D输入处理

AI对话GithubHuggingfaceLLaVA Interleave图像识别多模态模型开源项目模型自然语言处理

LLaVA Interleave是基于Qwen1.5-7B-Chat开发的多模态AI模型，支持多图像、视频和3D输入处理。模型采用transformer架构，具备4-bit量化和Flash Attention 2优化功能。目前主要面向计算机视觉、自然语言处理和人工智能领域的研究人员，仅供学术研究使用。

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