Logo
Project Icon

kosmos-2.5

文本密集型图像处理的多模态模型

模型训练文档转换Kosmos-2.5文本识别HuggingfaceGithub开源项目多模态模型

Kosmos-2.5 是一个专注于文本密集型图像的多模态识别模型，采用自回归Transformer架构，能够生成带有空间坐标的文本块和Markdown格式的文本输出。其设计允许通过不同的任务提示进行微调，适应多种应用场景。

GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
open-muse - 开源项目MUSE模型重现，用于高效文本到图像生成
GithubHuggingfaceMUSEVQGANopen-musetransformer开源项目
open-muse项目致力于重现Transformer MUSE模型，通过LAION-2B和COYO-700M数据集的训练，提供简单且可扩展的代码库。项目包括在Imagenet上训练类别条件模型、在CC12M上进行文本到图像实验，以及训练改进的VQGAN模型，所有结果将上传至Huggingface的openMUSE组织。支持的模型包括MaskGitTransformer和VQGAN，方便使用并可在Huggingface hub上加载和保存。
t5-large - 统一文本到文本格式的大规模多语言NLP模型
GithubHuggingfaceT5多任务学习开源项目文本生成模型自然语言处理迁移学习
T5-Large是一个基于Text-To-Text Transfer Transformer架构的NLP模型，拥有7.7亿参数。该模型采用统一的文本到文本格式，能够处理机器翻译、文档摘要、问答和分类等多种任务。T5-Large在C4语料库上进行预训练，支持英语、法语、罗马尼亚语和德语，并在24项NLP任务中展现出优秀性能。这个versatile模型为各种文本处理应用提供了强大的基础。
kandinsky-2-2-decoder - 基于CLIP和扩散技术的开源图像生成模型
CLIPGithubHuggingfaceKandinsky 2.2图像生成开源项目扩散模型文本到图像模型
Kandinsky 2.2采用CLIP和潜在扩散技术架构，结合Dall-E 2与Latent Diffusion的技术优势。模型具备文本生成图像、图像转换及图像插值等功能，支持生成1024x1024分辨率图像。在COCO_30k数据集评测中，模型FID评分达8.21。该项目完全开源，为图像生成领域提供了新的技术方案。
git-large-coco - 高级视觉与语言转换：大规模图像到文本模型
GITGithubHuggingface图像标注开源项目模型模型训练视觉视觉问答
GIT大型模型通过在COCO数据集上微调，实现图像到文本的转换，支持图像和视频字幕生成、视觉问答和图像分类等功能。该模型利用图像和文本令牌的结合，预测下一个文本令牌，并在多种视觉与语言应用场景中表现出色。
Qwen2-VL-72B-Instruct-GPTQ-Int8 - 改进视觉和文本处理能力的多模态模型
GithubHuggingfaceQwen2-VL多模态多语言支持开源项目模型视觉理解视频分析
本项目是一个多模态视觉语言模型，具有高效的图像理解和多语言支持。它能够处理超过20分钟的视频内容，并可整合到移动设备和机器人中进行自动化操作。通过应用动态分辨率处理和多模态旋转位置嵌入，该模型提升了视觉处理能力。此外，项目还提供了便于快速部署的工具包，助力处理各类视觉任务。
transformers - 机器学习库，覆盖文本、视觉与音频处理
GithubHugging Face人工智能多模态开源项目机器学习自然语言处理
探索🤗 Transformers——一个功能全面的机器学习库，覆盖文本、视觉与音频处理。该库提供数千种可对接JAX、PyTorch或TensorFlow的预训练模型，适用于多种语言处理与多模态任务。主要功能包括： - 文本分类 - 信息提取 - 问答系统 - 摘要生成 - 翻译 - 文本生成 此外，还能处理表格问答、OCR及视觉问答等多模态任务。Transformers库易于使用，支持模型间的快速切换与无缝整合。
blip2-opt-6.7b-coco - 结合图像理解与自然语言处理的多模态AI系统
BLIP-2GithubHuggingfaceOPT-6.7b图像标注图像编码器开源项目模型视觉问答
BLIP-2是一种创新的视觉-语言AI系统，集成了CLIP图像编码器、查询转换器和OPT-6.7b大型语言模型。通过冻结预训练的图像编码器和语言模型，仅训练查询转换器，实现了视觉和语言的有效桥接。该模型能够完成图像描述、视觉问答和基于图像的对话等多样化任务。尽管BLIP-2继承了OPT模型的强大能力，但研究人员在应用时需要注意评估其在特定场景中可能存在的偏见和安全风险。
GOT-OCR2_0 - GOT-OCR2_0为OCR技术开创统一端到端模型新纪元
GOTGithubHuggingfaceOCR图像识别开源项目模型自然语言处理视觉语言模型
GOT-OCR2_0项目提出通用OCR理论，通过统一端到端模型实现OCR 2.0。该模型具备多语言识别、版面分析和细粒度OCR能力，可处理普通文本、格式化文本及多页文档。项目提供开源训练代码和在线演示，为OCR技术发展开辟新方向。
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。
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。
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。

使用协议隐私政策广告服务
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