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。

cogvlm-chat-hf - 开源视觉语言模型CogVLM在多项跨模态基准测试中超越PaLI-X 55B

CogVLMGithubHuggingface图像识别多模态开源开源项目模型视觉语言模型

CogVLM是一款开源视觉语言模型，具有100亿视觉参数和70亿语言参数。在NoCaps、Flicker30k等10个经典跨模态基准测试中，CogVLM实现了最先进的性能，部分超越PaLI-X 55B。其架构包括视觉变换器编码器、MLP适配器、预训练语言模型和视觉专家模块。CogVLM能进行多模态对话，适用于图像描述和视觉问答等任务。该模型对学术研究开放，经登记后可免费用于商业用途。

ChatGLM3 - 突破性能与功能的开源对话模型

AIChatGLM3Github大语言模型对话系统开源模型开源项目

ChatGLM3是智谱AI与清华大学KEG实验室联合开发的开源对话模型。该模型在保持对话流畅和易于部署的基础上，引入了更强大的基础架构、更全面的功能支持和多个开源版本。ChatGLM3-6B不仅支持多轮对话，还能进行工具调用和代码执行，在10B以下模型中表现出色。此外，项目还开源了基础模型和长文本版本，为学术研究和商业应用提供了多样化选择。

ELLA - 大语言模型辅助扩散模型实现增强语义对齐

ELLAEMMAGithub多模态技术开源项目文本生成图像语义对齐

ELLA项目将大语言模型与扩散模型结合，提高了图像生成的语义对齐能力。通过LLM注释的合成标题训练，ELLA实现了更准确的文本到图像转换。项目提供DPG-Bench评估基准和ComfyUI插件，并开发了支持多模态输入的EMMA模型。这些创新为图像生成领域开辟了新途径，展现了语言模型与扩散模型融合的应用前景。

MMDialog - 推进多模态开放域对话研究的大规模数据集

GithubMMDialog多模态对话数据集大规模数据开放域对话开源项目自然语言处理

MMDialog是一个包含丰富文本和图像信息的大规模多轮对话数据集。它提供详细的数据统计、格式说明和评估方法，适用于多模态开放域对话研究。学术研究人员可通过申请流程获取该数据集，用于非商业性研究。MMDialog为自然语言处理领域的多样化对话任务研究提供了重要资源。

Awesome-Multimodal-LLM-Autonomous-Driving - 多模态大语言模型推动自动驾驶技术创新

GithubWACV人工智能多模态大语言模型开源项目自动驾驶计算机视觉

该资源库汇集自动驾驶领域多模态大语言模型(MLLM)相关研究,全面介绍MLLM在感知、规划和控制方面的应用。内容涵盖最新模型、数据集和基准,并总结WACV 2024 LLVM-AD研讨会成果。项目探讨了MLLM应用于自动驾驶系统的挑战和机遇,为研究人员和工程师提供了解该前沿领域发展的宝贵参考。

Llama-3.2-11B-Vision - Meta开发的多模态大语言模型支持视觉识别和图像推理

GithubHuggingfaceLLAMA 3.2多模态模型开源项目机器学习模型自然语言处理计算机视觉

Llama-3.2-11B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入、文本输出。该模型在视觉识别、图像推理、图像描述和通用图像问答方面表现出色。它基于Llama 3.1文本模型构建,采用优化的Transformer架构,通过监督微调和人类反馈强化学习进行对齐。模型支持128K上下文长度,经过60亿(图像,文本)对训练,知识截止到2023年12月。Llama-3.2-11B-Vision为商业和研究用途提供视觉语言处理能力。

VideoLLaMA2-7B - 多模态大语言模型在视频时空建模和音频理解上的应用

GithubHuggingfaceVideoLLaMA 2多模态大语言模型开源项目模型模型推理空间-时间建模视频问答

VideoLLaMA2-7B 项目聚焦于视频时空的建模与音频理解，利用先进的视觉和语音编码技术提升视频内容分析能力。项目支持视频聊天和多选视频问答，提供训练与推理代码，适用于多种场景需求，并开放模型权重及技术报告以支持研究与开发。

Llama-3.2-90B-Vision - 前沿视觉语言模型助力图像识别和推理

GithubHuggingfaceLlama 3.2Meta多模态大语言模型开源项目模型自然语言处理计算机视觉

Llama-3.2-90B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入并输出文本。该模型在视觉识别、图像推理、描述和问答等任务中表现优异,性能超越多个开源和闭源多模态模型。基于Llama 3.1文本模型,通过视觉适配器实现图像理解,支持128K上下文长度。经指令微调后可用于商业和研究,适用于多种视觉语言任务。使用需遵守Llama 3.2社区许可协议。

LLaVA - 提升大型语言与视觉模型的视觉指令调优

GPT-4GithubLLaVA多模态交互大型语言与视觉模型开源项目视觉指令调优

LLaVA项目通过视觉指令调优提升大型语言与视觉模型的性能，达到了GPT-4级别。最新更新包括增强版LLaVA-NeXT模型及其在视频任务上的迁移能力，以及高效的LMMs-Eval评估管道。这些更新提升了模型的多任务和像素处理能力，支持LLama-3和Qwen等不同规模的模型，并提供丰富的示例代码、模型库和数据集，方便用户快速上手和深度研究。

pytorch_mgie - 多模态大语言模型驱动的图像编辑指导系统

AI绘图GithubGradioMGIE图像编辑大语言模型开源项目

pytorch_mgie是一个基于多模态大语言模型的图像编辑指导系统，采用Apple开源的ml-mgie技术。该项目通过自然语言指令实现图像编辑，并提供Gradio演示界面展示LLaVA-7B模型在图像编辑任务中的应用。项目包含预训练模型和环境配置指南，为研究和开发提供了实验平台。

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