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 Huggingface Github 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。

文档

InternVL2-26B - 全新多模态智能体实现长文本多图像及视频的智能理解

AI识别GithubHuggingfaceInternVL2多模态大语言模型开源项目模型计算机视觉

InternVL2-26B是一个基于视觉模型InternViT-6B和语言模型internlm2-chat-20b开发的多模态模型。通过8K上下文窗口支持长文本处理，同时具备多图像和视频分析能力。在文档理解、图表分析和场景文字识别等评测中表现优异，性能达到开源模型领先水平。

kandinsky-3 - 开放源代码的俄罗斯文化文本到图像扩散模型

GithubHuggingfaceKandinsky 3.0俄罗斯文化开放源代码开源项目扩散模型文本生成图像模型

Kandinsky 3.0是一个开放源代码的文本到图像扩散模型，注重生成与俄罗斯文化相关的图像。相较于Kandinsky2-x系列，该模型使用了更丰富的数据集，并通过增大文本编码器和扩散U-Net模型的规模，提升了文本理解和图像质量。Kandinsky 3.0包括基本型和修补型两种模型，经过不同步数的训练，提供高质量的图像生成。

metaclip-h14-fullcc2.5b - 大规模视觉语言模型基于25亿CommonCrawl数据训练

GithubHuggingfaceMetaCLIP多模态学习开源项目模型自然语言处理计算机视觉零样本分类

MetaCLIP是一个基于25亿CommonCrawl数据点训练的大规模视觉语言模型。该模型由Xu等人在《Demystifying CLIP Data》论文中提出，旨在解析CLIP的数据准备流程。MetaCLIP支持图像与文本的联合嵌入，可应用于零样本图像分类、文本图像检索等任务。作为一个开源项目，MetaCLIP为研究人员提供了探索大规模视觉语言模型的新方向，有助于推进计算机视觉和自然语言处理领域的发展。

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。

multi_token - 将多模态嵌入到大语言模型的开源框架

Githubmulti_token图像识别多模态嵌入大语言模型开源项目语音识别

multi_token是一个开源项目，旨在扩展大语言模型的多模态处理能力。该框架支持将图像、音频、文档和视频等多种模态编码为统一格式，并嵌入到单个模型中。它提供了简便的实现方法，使开发者能够轻松构建支持长文档、图像、音频和视频等多模态输入的语言模型。

Groma - 多模态大语言模型Groma的视觉定位技术

GithubGroma区域理解多模态大语言模型开源项目视觉上下文视觉标记

Groma是一款多模态大语言模型，具有出色的区域理解和视觉定位功能，能够处理用户定义的区域输入并生成基于视觉内容的长文本回答。Groma采用独特的视觉标记和外部模块进行定位，在多模态引用表达理解基准方面表现优秀，并提供详细的安装、数据准备和训练指南，方便用户进行自定义训练。

MiniCPM-V-2_6 - 高性能多模态语言模型实现单图多图视频智能理解

GithubHuggingfaceMiniCPM-V人工智能图像理解多模态大语言模型开源项目模型视频理解

MiniCPM-V 2.6是一个高效的多模态大语言模型，仅用8B参数就达到了GPT-4V级别的表现。该模型支持单图、多图和视频理解，在多项基准测试中成绩优异。它具备出色的性能、多图和视频理解能力、强大的OCR功能以及多语言支持。MiniCPM-V 2.6还以其高效率和易用性著称，可轻松部署在包括手机和平板电脑在内的各种设备上。

idefics2-8b - 多模态AI模型实现图文交互

GithubHuggingfaceIdefics2图像理解多模态模型开源项目模型自然语言对话视觉AI

Idefics2是一款多模态AI模型，支持图像和文本的任意序列输入并生成文本输出。它能回答图像问题、描述视觉内容、基于多图创作故事，也可作为纯语言模型使用。相比前代，Idefics2在OCR、文档理解和视觉推理方面有显著提升。模型提供8B参数基础版、指令微调版和长对话优化版，均以Apache 2.0许可开源发布。

k2 - 面向地球科学的开源大型语言模型

GeoBenchGeoSignalGithubK2地球科学大语言模型开源项目

K2是一个针对地球科学领域开发的开源大型语言模型。该模型基于LLaMA进行了地球科学文献的预训练，并使用GeoSignal数据集进行了指令微调。K2在GeoBench基准测试中表现优异，超越了同等规模的基线模型。项目提供了模型权重、训练数据和评估基准，为地球科学领域的自然语言处理研究提供了宝贵资源。

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。

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