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
Janus-1.3B - 提升视觉编码的灵活性与性能的多模态框架
GithubHuggingfaceJanustransformer架构多模态理解开源项目模型生成模型视觉编码
Janus是一种创新的自回归框架，通过解耦视觉编码提升多模态功能的灵活性和性能。该框架基于训练有素的DeepSeek-LLM-1.3b-base，处理了大约5000亿文本标记，并采用SigLIP-L视觉编码器实现高效图像处理。Janus在维持简单高效的设计下，达到甚至超越了任务特定模型的性能，预示着下一代统一多模态模型的可能性。
10.5B_v1 - 介绍最前沿的自然语言处理开源项目
GithubHuggingfacetransformers卡片开源项目模型训练评估
本页面介绍了在🤗transformers平台上发布的自然语言处理模型，支持直接与下游应用。页面提供模型使用指导、性能评估、环境影响及技术规格信息，帮助用户合理利用模型的同时意识到潜在的偏见、风险和局限。
PixArt-XL-2-512x512 - 快速生成高分辨率图像的高效能模型
GithubHuggingfacePixart-α开源项目扩散模型文本到图像模型深度学习生成模型
PixArt-α是一个基于Transformer架构的文本到图像生成框架，能够从文本提示生成高分辨率图像，最高可达1024像素。相比于Stable Diffusion v1.5，其训练时间仅为10.8%，大幅降低成本与碳排放。用户偏好评估显示，PixArt-α在实现效率与图像质量方面表现卓越，适用于艺术创作、教育用途及生成模型研究。但需要注意的是，其在图像还原现实性和复杂任务的执行上尚有局限。查看其GitHub或arXiv以了解更多细节。
Ovis1.6-Gemma2-9B - Ovis1.6-Gemma2-9B开源多模态大语言模型的嵌入对齐解决方案
GithubHuggingfaceOvis1.6transformers图像处理多模态大语言模型开源项目模型
Ovis1.6-Gemma2-9B是一个开源的多模态大语言模型，致力于视觉与文本嵌入的高效对齐。相比Ovis1.5，它在图像处理分辨率、数据集规模与质量上都有所提升，并通过DPO训练提高总性能。该模型在OpenCompass基准测试中展现了优异表现，支持图像和文本的多模态输入处理。更多使用指导与代码示例请访问其GitHub页面。
codet5p-220m - CodeT5+：多语言代码理解与生成的开放源代码模型
CodeT5+GithubHuggingface代码理解代码生成开源项目性能评估模型预训练
CodeT5+是一种开源的多语言模型，支持多种编码器-解码器模式操作，适用于多种代码理解和生成任务。相比原始CodeT5系列，CodeT5+通过多样化的预训练任务和高效的计算方法显著提升性能，支持九种编程语言，并在多个任务中优于现有基线，特别是在HumanEval基准的零样本任务中表现突出。
kandinsky-2-1-prior - 先进的文本到图像扩散模型
AI绘图GithubHuggingfaceKandinsky 2.1图像编辑开源项目文本生成图像机器学习模型模型
Kandinsky 2.1是一款结合DALL-E 2和潜在扩散技术的文本条件扩散模型。它采用CLIP模型进行文本和图像编码，并在CLIP模态的潜在空间中引入扩散图像先验，大幅提升了视觉效果。该模型支持文本到图像生成、图像到图像转换、图像修复和插值等多种应用，为图像混合和文本引导的图像操作开辟了新的可能性。
Multimodal-Toolkit - 通用多模态数据与文本特征融合工具包
GithubHuggingFace TransformersMultimodal TransformersPython分类任务回归任务开源项目
一个用于分类和回归任务的工具包，结合HuggingFace Transformers的文本特征与表格数据，生成多模态特征以提高模型性能。该工具包支持多种模型和组合方法，提供详尽的示例和数据集，包括BERT、ALBERT等模型，以及电商评论、Airbnb数据和宠物领养预测等实际应用。
blip2-opt-2.7b-coco - BLIP-2视觉语言模型实现图像描述和视觉问答功能
BLIP-2GithubHuggingfaceOPT-2.7b图像到文本图像编码器开源项目模型视觉问答
BLIP-2是一个集成CLIP图像编码器、查询转换器和OPT-2.7b语言模型的视觉语言系统。该模型支持图像描述、视觉问答和图像对话任务，在COCO数据集上经过微调，拥有27亿参数。BLIP-2能够生成与图像相关的高质量文本，但可能存在偏见和安全性问题，使用时需谨慎评估其输出结果。
Florence-2-base - 多任务视觉处理的统一基础模型
Florence-2GithubHuggingface人工智能图像处理多任务学习开源项目模型计算机视觉
Florence-2是一个视觉基础模型，可处理多种视觉和视觉语言任务。该模型通过解释文本提示执行图像描述、物体检测和分割等功能。Florence-2利用FLD-5B数据集进行训练，在零样本和微调场景下均表现优异。它支持图像描述、物体检测、区域描述等多项任务，为视觉应用提供了统一的基础架构。
internlm2-base-7b - 高效处理超长文本的多功能开源模型
GithubHuggingfaceInternLM开源开源项目模型评测语言能力
InternLM2-Base-7B是一个适应性强的开源模型，支持处理长达20万字的文本，具备精确的信息检索能力，并在推理、数学、编程任务中表现优异。通过OpenCompass工具验证，其性能适合广泛应用，是研究人员和开发者的理想选择。
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