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

uform-gen2-qwen-500m - 小型多模态模型实现图像描述和视觉问答

GithubHuggingfaceUForm图像理解图像生成多模态AI开源项目模型视觉问答

UForm-Gen2-Qwen-500m是一款小型视觉语言模型，专注于图像描述和视觉问答。模型结合了ViT-H/14和Qwen1.5-0.5B-Chat，通过预训练和微调提升性能。支持图像描述、问答和多模态聊天功能，在多项基准测试中表现良好，适用于计算资源有限的场景。

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。

Depth-Anything-V2-Small-hf - 单目深度估计新标杆精细、稳健且高效

Depth Anything V2GithubHuggingface人工智能图像处理开源项目模型深度估计计算机视觉

Depth-Anything-V2-Small-hf是一款基于DPT架构和DINOv2主干的先进单目深度估计模型。经过大规模合成和真实图像训练，它在细节精度和稳健性上超越了前代产品。相比基于稳定扩散的模型，该模型速度提升10倍，且更为轻量。它在零样本深度估计任务中表现卓越，可广泛应用于3D重建和场景理解等领域。研究者和开发者可通过Transformers库便捷地集成和使用这一模型。

Fluently-XL-v2 - SDXL图像模型融合艺术写实风格优化解剖结构表现

Fluently XLGithubHuggingface人工智能绘画图像生成开源项目模型模型训练稳定扩散

Fluently XL V2是基于stabilityai/stable-diffusion-xl-base-1.0开发的SDXL图像生成模型，通过显卡训练优化解剖结构表现，结合艺术与写实风格。模型具备对比度控制和自然场景生成能力，采样步数支持20-35步，适配Euler a/Euler采样器，CFG Scale参数范围4-6.5。

llava-onevision-qwen2-0.5b-ov-hf - 推动单图、多图和视频理解的多模态大语言模型

GithubHuggingfaceLLaVA-Onevision图像理解多模态语言模型开源项目模型视频理解计算机视觉

LLaVA-Onevision是基于Qwen2的多模态大语言模型，通过微调GPT生成的多模态指令数据训练而成。作为首个同时推动单图、多图和视频场景性能边界的模型，它展现出强大的视频理解和跨场景能力，实现了从图像到视频的任务迁移。该模型支持多图像和多提示生成，为多样化的视觉理解任务提供了灵活解决方案。

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。

internlm-xcomposer2d5-7b-4bit - 简化大型语言模型的文本与图像处理新纪元

4位量化模型GithubHuggingfaceInternLM-XComposer开源项目文本图像理解模型视频理解长上下文能力

InternLM-XComposer2.5在文本与图像理解领域展现非凡性能，其应用灵活性媲美GPT-4V，仅靠7B参数即可完成复杂任务。模型通过24K图文上下文训练与96K扩展能力，适用于大量输入输出任务。此外，项目提供了4-bit量化模型来有效降低内存消耗，并支持使用Transformers快速集成，涵盖从视频理解到多图对话的多种应用场景。

Qwen2-VL-72B-Instruct-AWQ - 强大多模态AI实现高分辨率图像和长视频深度理解

GithubHuggingfaceQwen2-VL多模态大语言模型开源项目模型视觉理解视频理解

Qwen2-VL-72B-Instruct-AWQ是一款先进的多模态AI模型，在图像和视频理解方面表现卓越。这个模型能够处理各种分辨率的图像，理解超过20分钟的长视频，并支持多语言文本识别。通过采用动态分辨率和多模态旋转位置编码等创新技术，该模型在视觉理解基准测试中展现了领先优势。Qwen2-VL作为通用视觉语言模型，可广泛应用于复杂推理和内容创作等多个领域。

MiniCPM-V-2_6-int4 - 精简高效的多语言视觉AI对话模型

GithubHugging FaceHuggingfaceMiniCPM-V图像识别多模态开源项目模型量化模型

MiniCPM-V-2_6-int4是一款经过int4量化的多语言视觉对话模型，GPU内存占用仅约7GB。该模型支持图像理解、OCR、多图像处理和视频分析等视觉任务，可通过Python代码实现流式输出。作为一个资源友好型视觉AI工具，MiniCPM-V-2_6-int4在保持性能的同时提高了部署效率，适合开发者进行各类视觉AI应用开发。

Realistic_Vision_V2.0 - AI驱动的高品质摄影级图像生成模型

AI绘图GithubHuggingfaceMage.Space关键词提示图像生成开源项目模型高质量照片

Realistic_Vision_V2.0是一个开源的AI图像生成模型，专门用于创建逼真的肖像和场景。该模型支持8K超高清输出，能够呈现精细的皮肤纹理和自然的光线效果。为优化生成结果，模型提供了专门的提示模板和负面提示建议。结合特定的VAE和推荐参数，Realistic_Vision_V2.0能够生成高度写实、专业品质的图像。

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