Florence-2-large-ft

统一表示实现多种视觉任务的AI基础模型

图像识别计算机视觉多任务学习 Huggingface 模型 Github Florence-2 开源项目自然语言处理

Florence-2是一款视觉基础模型，采用提示式方法处理多种视觉和视觉语言任务。该模型基于包含54亿标注的FLD-5B数据集进行多任务学习，可通过简单文本提示执行图像描述、目标检测和分割等任务。Florence-2采用序列到序列架构，在零样本和微调场景中表现优异，展现了较强的竞争力。

文档

InternVL2-8B - 多模态大语言模型在图像理解、视频分析和目标定位方面的全面能力

GithubHuggingfaceInternVL2多模态大语言模型开源项目指令微调推理性能模型视觉语言模型

InternVL2-8B是一个基于InternViT-300M-448px和internlm2_5-7b-chat的多模态大语言模型。该模型在文档理解、图表分析和场景文本识别等图像任务中表现优异，同时在视频理解和目标定位方面也展现出强大能力。支持8k上下文窗口，能够处理长文本、多图像和视频输入，在开源多模态模型中具有竞争力。

llava-1.5-13b-hf - 基于Llama 2的多模态视觉语言模型集成图像理解与对话功能

GithubHuggingfaceLLaVA图像理解多模态对话开源项目机器学习模型自然语言处理

llava-1.5-13b-hf作为开源多模态模型整合了Llama 2架构，实现图像理解和自然语言对话功能。模型通过transformers库实现多图像处理和多提示生成，并集成4位量化与Flash-Attention 2优化方案提升运行效率。在图像描述、视觉问答等任务中表现出色，体现了视觉语言模型的技术创新。

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。

layoutlmv2-large-uncased - 提升多模态文档处理能力的先进预训练模型

GithubHuggingfaceLayoutLMv2图像理解多模态开源项目文档AI模型预训练

LayoutLMv2通过整合文本、布局和图像的新预训练任务，增强文档理解能力，广泛应用于FUNSD、CORD等视觉丰富文档项目，提高性能，适合多种下游任务。

llava-onevision-qwen2-72b-ov-sft - 基于Qwen2的多模态AI模型支持图像和视频交互

GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态模型开源项目模型视频处理

LLaVA-OneVision是基于Qwen2的多模态AI模型，支持图像、多图和视频交互。模型在专用数据集上训练，具有32K tokens上下文窗口，提供0.5B、7B和72B三种规模。支持英语和中文，可处理单图、多图和视频输入。项目开源了代码、在线演示和论文，为AI研究和开发提供了实用工具。

llava-1.5-7b-hf - 基于Llama 2的多模态AI模型实现图像理解与对话

GithubHuggingfaceLLaVATransformers图像文本生成多模态开源项目模型模型优化

LLaVA-1.5-7B是一个基于Llama 2架构的开源多模态视觉语言模型。通过指令微调，该模型实现了图像理解和对话能力，支持多图像输入和多轮对话。LLaVA-1.5-7B可应用于图像问答、视觉推理等任务，并提供便捷的pipeline接口。模型支持4比特量化和Flash Attention 2优化，可在普通GPU上高效运行。这为研究人员和开发者提供了一个功能强大的视觉语言AI工具。

VisionLLM - 面向视觉任务的开放式多模态大语言模型

GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉

VisionLLM 系列是一种多模态大语言模型，专注于视觉相关任务。该模型利用大语言模型作为开放式解码器，支持数百种视觉语言任务，包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性，扩展了其在多模态应用场景中的能力，推动了计算机视觉与自然语言处理的融合。

pix2struct-large - 融合图像和文本的开创性AI预训练模型

GithubHuggingfacePix2Struct图像到文本模型多任务学习开源项目模型视觉语言理解预训练

Pix2Struct是一款突破性的图像到文本预训练模型，专注于视觉语言理解。其独特之处在于通过解析网页截图为简化HTML进行预训练，有效整合了OCR、语言建模和图像描述等关键技术。在文档、插图、用户界面和自然图像四大领域的九项任务评估中，Pix2Struct在六项中表现卓越，展现了其强大的通用性。这一创新模型为视觉语言相关任务奠定了坚实基础，可通过微调适应多样化的应用场景。

dinov2-large - 基于Vision Transformer的大规模自监督视觉特征学习模型

DINOv2GithubHuggingfaceVision Transformer图像处理开源项目模型特征提取自监督学习

DINOv2-large是基于Vision Transformer架构的大规模视觉模型，采用自监督学习方法训练。该模型能从海量未标注图像中学习视觉特征表示，适用于多种下游视觉任务。它将图像转换为固定大小的patch序列输入Transformer编码器，提取高质量特征。研究人员可直接使用其预训练编码器进行特征提取，或针对特定任务进行微调，体现了模型的通用性和灵活性。

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。

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