Project Icon

donut-base-finetuned-cord-v2

基于CORD数据集的直接文档理解转换模型

该模型采用Swin Transformer编码器和BART解码器架构,通过CORD数据集优化,实现了直接的图像到文本转换功能。模型跳过了传统OCR步骤,直接将文档图像编码为张量表示,再解码生成文本内容,简化了文档理解流程。

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。
dart-v1-sft - 优化Danbooru标注生成的Transformer模型
GithubHuggingfacetransformers开源项目标签生成模型模型微调深度学习自然语言处理
Dart是一款经过微调的Transformer模型,专注于Danbooru标注生成,具备良好的效率和准确性。借助Hugging Face的Transformers和Optimum库,该模型支持ONNX等多种高性能推理工具。Dart旨在为开发者提供便捷的标注生成功能,基于2020年以后的最新数据集进行训练,确保生成结果的时效性和相关性。
nougat-base - 神经网络模型实现科学PDF文档到Markdown的智能转换
GithubHuggingfaceNougatPDF转Markdown学术文档开源项目文本解码器模型视觉编码器
nougat-base是一个专门用于将科学PDF文档转换为Markdown格式的神经网络模型。该模型结合了Swin Transformer视觉编码器和mBART文本解码器,只需输入PDF图像像素即可自动生成对应的Markdown内容。这一创新技术为学术文献的数字化处理和分析提供了新的可能性,大大提高了研究人员和开发者的工作效率。
Idefics3-8B-Llama3 - 提升视觉文本处理能力的多模态模型
GithubHuggingfaceIdefics3多模态开源项目文档理解模型模型优化视觉文本处理
Idefics3-8B是由Hugging Face开发的开放性多模态模型,支持处理任意图像和文本序列进行文本生成。该模型在OCR、文档理解和视觉推理方面有显著增强,适用于图像描述和视觉问答任务。Idefics3-8B主要通过监督微调进行训练,可能需要多次提示以获得完整回答。与Idefics2相比,Idefics3在文档理解能力上表现更为出色,并增加了视觉标记编码的多项改进和丰富的数据集支持。
bart-large-cnn - 基于CNN Daily Mail数据集的先进文本摘要模型
BARTGithubHuggingfacetransformer模型开源项目文本摘要机器学习模型自然语言处理
BART-large-cnn是一个基于BART架构的大型文本摘要模型,在CNN Daily Mail数据集上经过微调。这个模型采用transformer编码器-解码器结构,结合了双向编码器和自回归解码器的优势。BART-large-cnn不仅在文本摘要和翻译等生成任务中表现卓越,还在文本分类和问答等理解任务中展现出优秀性能。研究人员和开发者可以通过Hugging Face的pipeline API轻松使用该模型,实现高质量的文本摘要功能。
Florence-2-SD3-Captioner - 图像到文本转换的先进工具
AI绘图GithubHuggingfaceVolkswagen Beetletransformers图像描述开源项目模型自然语言处理
Florence-2-SD3-Captioner是一个强大的图像到文本转换工具,支持通过结合多个数据集如google/docci、ProGamerGov/synthetic-dataset等,来生成详尽的图像描述。该工具能够在CUDA设备上高效运行,可处理多种格式的RGB图像。只需提供任务提示和文本,即可获得精确详细的内容描述。
InternViT-6B-448px-V1-5 - 提升视觉模型分辨率及多语言OCR精度
GithubHuggingfaceInternViT-6B-448px-V1-5OCR能力图像特征提取开源项目模型视觉基础模型高分辨率处理
InternViT-6B-448px-V1-5在InternViT-6B-448px-V1-2的基础上,通过动态调整训练图像分辨率和强化数据集质量来提高模型的高分辨率处理和OCR能力。该模型具有5540M参数,使用1到12块瓦片进行训练,并通过PaddleOCR进行了中英文OCR处理,增强了多语言OCR性能。建议在构建视觉语言模型时,使用最后一层的特征。
HunyuanDiT - 实现多分辨率扩散和细粒度中英文理解
GithubHunyuanDiT中英双语多轮对话开源开源项目文本生成图像
HunyuanDiT是一个多分辨率扩散变换器模型,具有细粒度的中英文理解能力。该模型采用优化的变换器结构、文本编码器和位置编码,通过迭代数据流程提升性能。HunyuanDiT支持多轮多模态对话,可根据上下文生成和优化图像。经专业评估,该模型在中文到图像生成方面达到开源模型的先进水平。
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。
bart-paraphrase - BART大型语言模型文本释义转换工具
BARTGithubHuggingface开源项目文本生成机器翻译模型模型微调自然语言处理
BART文本释义模型基于序列到序列架构开发,整合了BERT双向编码器与GPT单向解码器技术,通过Quora、PAWS和MSR数据集训练,实现文本的变换与释义功能。模型提供简洁的API接口,便于集成到自然语言处理应用中。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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