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

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

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多