懂AI
BLIVA

BLIVA

处理文本视觉问题的多模态LLM

BLIVA是一款简单有效的多模态大语言模型，专门处理富文本视觉问题。其在多个视觉问答基准中表现出色，并公开了模型权重和训练代码。结合FlanT5和Vicuna版本，BLIVA适用于多种商业用途并提升认知和感知任务性能。演示和安装教程也非常详细。

BLIVA多模态文本富媒体视觉问答机器学习Github开源项目
访问官网GitHubHugging Face论文

BLIVA 项目简介

项目概况

BLIVA是一个多模态大语言模型，旨在更好地处理富文本的视觉问答问题。项目由加州大学圣地亚哥分校与Coinbase Global, Inc.的多个研究人员共同参与开发。BLIVA通过结合视觉与文本数据，提升了在识别和理解视觉信息方面的能力。

项目进展

BLIVA项目已于2024年被AAAI大会接受，并且已公开多项资源供社区使用，包括模型的训练代码、演示幻灯片和多个模型版本。模型在MME基准测试中表现出色，在感知任务中排名第三，认知任务中排名第二，在颜色、海报和常识推理子任务中更是位列第一。

在文本丰富视觉问答基准中的表现

BLIVA在多个视觉问答基准数据库中，如STVQA、OCRVQA、TextVQA、DocVQA等，表现优异。其中，BLIVA (Vicuna-7B)版本在多个测试中领先，尤其是在STVQA和OCRVQA中。

在一般视觉问答基准中的表现

在不特别丰富文本的视觉问答任务中，BLIVA (Vicuna-7B)同样展现了强大的性能，优于其他主流模型，如Flamingo和MiniGPT-4。

安装及使用

研究人员可以通过GitHub克隆BLIVA项目代码，并使用conda创建一个Python环境进行安装与使用。此外，BLIVA支持从源代码构建，用户可以根据需要设置模型权重路径。

示例命令展示了如何对一幅图像提问， BLIVA能够分析图像并给出答案。用户也可以提供一系列选项进行选择题形式的提问。

演示与训练

项目提供了可在线访问的演示，并支持本地运行。演示可以通过简单的命令在本地启动，用户可以实时体验BLIVA的功能。此外，为方便用户自行训练模型，项目中说明了如何下载数据集及调整训练参数，以在不同的GPU环境下完成训练任务。

引用及致谢

如果BLIVA对您的研究或应用有帮助，您可以在论文中引用其BibTeX条目。项目团队还对多个开源项目表示了感谢，如BLIP2、Lavis和Vicuna等，为BLIVA的开发提供了基础和灵感。

开源协议

BLIVA代码和模型基于不同的开源协议，其中代码采用BSD 3-Clause License，BLIVA Vicuna 版本模型需按照LLaMA的许可使用，而BLIVA FlanT5的权重基于Apache 2.0 License。我们提供的YTTB-VQA数据则采用CC BY NC 4.0授权。

通过这些开放资源及详细文档，BLIVA项目期望为学术研究与工业应用提供一个强大且易用的工具。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多