groundingLMM

结合视觉分割和对话生成的多模态AI模型

GLaMM 多模态模型视觉基础对话生成图像分割 Github 开源项目

GLaMM是一种新型多模态AI模型，将自然语言生成与对象分割技术相结合。该模型提出了接地对话生成任务，并基于GranD数据集进行训练。GLaMM能够处理图像和区域级输入，支持视觉对话和指代表达分割等功能，为视觉语言交互提供了新的解决方案。

ScreenAI - 深度理解界面和信息图的视觉语言模型

GithubScreenAIUI理解信息图表理解多模态开源项目视觉语言模型

ScreenAI是一个开源的多模态视觉语言模型，专注于用户界面(UI)和信息图的理解。该模型集成了视觉变换器(ViT)、注意力机制和前馈网络，能够处理图像和文本输入。通过深度学习技术，ScreenAI实现了对复杂视觉信息的处理和文本整合分析，为UI设计、信息可视化和人机交互研究提供了新的工具和方法。

MMMU - 多学科多模态理解与推理基准评估专家级AGI

GPT-4V(ision)GithubMMMU专家AGI基准测试多模态理解开源项目

MMMU是一个新型基准测试，设计用于评估多模态模型在多学科任务中的表现，特别是需要大学水平的学科知识和深思熟虑的推理能力。该基准包含11.5K道来自大学考试、测验和教材的多模态题目，覆盖艺术设计、商业、科学、健康医学、人文社会科学及技术工程六大领域。不同于现有基准，MMMU专注于高级感知和领域特定知识的推理，挑战模型执行专家级任务。评估14个开源LMM和GPT-4V(ision)显示，即使是最先进的模型其准确率仅为56%，表明有巨大改进空间。

VTimeLLM - 创新视频大语言模型实现精准时刻理解

GithubVTimeLLM多阶段训练大语言模型开源项目时间边界感知视频理解

VTimeLLM是一种先进的视频大语言模型，专注于精细化视频时刻理解和推理。该模型采用边界感知三阶段训练策略，包括图像-文本特征对齐、多事件视频时间边界识别和高质量视频指令微调。这种方法显著提升了模型的时间理解能力，使其在多项视频理解任务中表现优异。

llava-1.6-mistral-7b-gguf - 基于Mistral-7B的LLaVA多模态模型GGUF量化版

GithubHuggingfaceLLaVAMistral图像识别多模态模型开源项目机器学习模型

LLaVA-1.6-Mistral-7B是一款开源的视觉语言模型GGUF量化版本，提供3bit至8bit多个压缩等级选择。该模型整合了图像理解与对话能力，通过大规模图文对和多模态指令数据训练而成。其中4bit和5bit量化版本在性能与模型体积之间取得良好平衡，适合在计算资源有限的场景下部署使用

vip-llava-7b-hf - 基于自然视觉提示的多模态语言模型

AI聊天机器人GithubHuggingfaceViP-LLaVA图像识别多模态AI开源项目模型视觉语言处理

VipLLaVA在LLaVA基础上引入自然视觉提示训练机制，通过边界框和指向箭头等视觉标记增强模型的图像理解能力。作为基于Transformer架构的多模态模型，VipLLaVA支持多图像输入和复杂视觉查询处理。该模型通过微调LLaMA/Vicuna实现，可集成到transformers库中实现图像文本交互，并支持4位量化和Flash Attention 2优化部署。

CogCoM - 链式操作助力视觉语言模型精细化理解

AI推理Chain of ManipulationsCogCoMGithub多模态开源项目视觉语言模型

CogCoM是一个新型视觉语言模型，采用链式操作技术逐步处理复杂视觉问题。该项目包含6种基本操作、级联数据生成流程和多轮多图像模型架构。CogCoM在对话、描述、定位和推理等方面表现出色，并在GQA、TallyVQA等多项基准测试中取得优异成绩。这个开源项目为研究人员提供了完整的代码、模型和数据集，促进了视觉语言模型在细节理解领域的发展。

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。

chameleon - 多模态早期融合基础模型的开源实现

AI研究GithubMeta Chameleon可视化工具多模态模型开源项目模型推理

Chameleon是Meta AI开发的多模态早期融合基础模型。项目提供GPU推理实现、浏览器端多模态输入输出查看工具和评估提示。开源内容包括模型代码、权重和数据集，支持多模态AI技术研究与应用。Chameleon能够在文本、图像等多种模态间实现高效融合和理解。

paligemma-3b-mix-448 - 基于SigLIP和Gemma的多语言视觉语言模型

GithubHuggingfacePaliGemma图像处理多语言开源项目微调模型视觉语言模型

PaliGemma是一款基于SigLIP视觉模型和Gemma语言模型的视觉语言模型，采用3B参数的Transformer架构。该模型支持多语言输入输出，可用于图像描述、视觉问答和文本识别等任务。PaliGemma在多个大规模数据集上经过预训练，并通过严格的数据过滤确保了训练数据质量。模型适用于各类视觉语言任务的微调，在多项基准测试中展现了优异性能。

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