Project Icon

XPretrain

涵盖视频语言和图像语言模型的多模态学习与预训练研究

Microsoft Research MSM组在多模态学习和预训练方法上的最新研究成果,包含用于视频语言的HD-VILA-100M数据集,以及HD-VILA、LF-VILA、CLIP-ViP等预训练模型,和用于图像语言的Pixel-BERT、SOHO、VisualParsing模型。这些研究发表在CVPR、NeurIPS和ICLR等顶级会议,代码和数据集已公开,社区成员可以贡献和提出建议。

PointLLM - 多模态大语言模型理解点云数据的突破性进展
3D点云GithubPointLLM多模态大语言模型开源项目计算机视觉
PointLLM是一个创新的多模态大语言模型,可理解物体的彩色点云数据。该模型能够感知物体类型、几何结构和外观,而不受深度模糊、遮挡或视角依赖等问题影响。项目团队收集了包含660K简单和70K复杂点云-文本指令对的数据集,并采用两阶段训练策略。为评估模型的感知和泛化能力,研究人员建立了生成式3D物体分类和3D物体描述两个基准,并使用三种评估方法进行测试。
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。
VILA1.5-3b-s2 - 多模态视觉语言模型VILA支持边缘设备和多图像处理
GithubHuggingfaceVILA图像文本处理多模态模型开源项目模型视觉语言模型边缘计算
VILA1.5-3b-s2是一个基于交错图像-文本数据预训练的视觉语言模型。它具备多图像处理能力,通过AWQ 4位量化可部署于边缘设备。该模型在多图像推理、上下文学习和视觉思维链等方面表现突出,同时保持优秀的文本处理性能。VILA1.5-3b-s2为多模态模型和聊天机器人研究提供了有力支持。
MotionLLM - 融合视频和动作数据的人类行为理解先进AI模型
GithubMotionLLM人工智能人类行为理解多模态学习大语言模型开源项目
MotionLLM是一个人类行为理解框架,通过融合视频和动作序列数据来分析人类行为。该项目采用统一的视频-动作训练策略,结合粗粒度视频-文本和细粒度动作-文本数据,以获得深入的时空洞察。项目还包括MoVid数据集和MoVid-Bench评估工具,用于研究和评估人类行为理解。MotionLLM在行为描述、时空理解和推理方面展现出优越性能,为人机交互和行为分析研究提供了新的方向。
Awesome-LLMs-meet-Multimodal-Generation - 大语言模型与多模态生成编辑技术综述
GithubLLM图像生成多模态生成开源项目视频生成语音生成
本项目综述了大语言模型在多模态生成和编辑领域的应用。涵盖图像、视频、3D和音频等多种模态,重点介绍基于大语言模型的技术。同时探讨多模态代理、理解和安全性问题。为研究人员提供全面资源,展示大语言模型在多模态内容创作中的最新进展。
InternVL2-2B - 多模态大语言模型支持多语言及多媒体理解
GithubHuggingfaceInternVL2人工智能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
InternVL2-2B是一个开源的多模态大语言模型,参数量为2.2B。该模型在文档理解、图表分析和场景文本识别等任务中表现优异,性能接近商业闭源模型。InternVL2-2B支持8K上下文窗口,可处理长文本、多图像和视频输入,大幅提升了多模态理解能力。作为一款出色的开源模型,InternVL2-2B为多模态人工智能研究和应用提供了新的可能性。
e5-v - 多模态嵌入优化框架与单模态训练策略
E5-VGithubHuggingfacetransformers单模态训练图像文本处理多模态嵌入开源项目模型
E5-V框架通过调整多模态大型语言模型,有效实现多模态嵌入,提高不同输入之间的连接能力,即便不进行微调。其提出的单模态训练方法,仅训练文本对,表现超过多模态训练。
Phi-3-vision-128k-instruct - 突破性视觉语言模型 128K上下文、多模态理解能力
GithubHuggingfacePhi-3-Vision-128K-Instruct图像理解多模态模型开源项目微软模型自然语言处理
Phi-3-vision-128k-instruct是一个开放式多模态模型,支持128K token的上下文处理。该模型通过文本和视觉数据集训练,在图像理解、OCR和图表分析等任务中表现优异。经过监督微调和偏好优化,模型具备精确的指令执行能力和安全性。作为Phi-3系列的成员,它适用于资源受限环境下的通用图像理解任务,为AI系统和应用提供支持。
Video-MME - 全面评估多模态大语言模型视频分析能力的基准
GithubVideo-MME人工智能基准评估多模态大语言模型开源项目视频分析
Video-MME是一个创新的多模态评估基准,用于评估大语言模型的视频分析能力。该项目包含900个视频和2,700个人工标注的问答对,覆盖多个视觉领域和时间跨度。其特点包括视频时长多样性、类型广泛性、数据模态丰富性和高质量标注。Video-MME为研究人员提供了一个全面评估多模态大语言模型视频理解能力的工具。
VILA1.5-3b - 交错图像文本预训练的视觉语言模型突破
GithubHuggingfaceVILA图像文本预训练多图像推理开源项目模型视觉语言模型边缘部署
VILA1.5-3b是一款基于交错图像-文本数据预训练的视觉语言模型。它具备多图像推理、上下文学习和视觉思维链等能力,可通过AWQ 4位量化部署于边缘设备。该模型采用交错图像-文本预训练、语言模型解冻和指令数据重混合等创新技术,有效提升了视觉语言和纯文本任务性能。VILA1.5-3b支持多种硬件架构,适用于计算机视觉、自然语言处理等研究领域。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号