openvla-7b

基于视觉和语言的开源机器人动作生成模型

模型图像文本处理机器人控制 OpenVLA Github 机器学习开源项目 Huggingface 视觉语言行为模型

OpenVLA-7B是一个开源的视觉-语言-动作模型，基于97万个机器人操作数据训练。该模型将语言指令和摄像机图像转化为机器人动作，支持多种机器人控制，并可通过微调适应新任务。OpenVLA-7B采用MIT许可证，适用于零样本指令执行和新领域迁移。

文档

Qwen2-VL-7B-Instruct-AWQ - 先进视觉语言模型实现多分辨率图像和长视频理解

GithubHuggingfaceQwen2-VL图像理解多模态开源项目模型视觉语言模型视频理解

Qwen2-VL-7B-Instruct-AWQ是一款支持多分辨率图像和长视频理解的视觉语言模型。该模型在视觉理解基准测试中表现出色，具备复杂推理和决策能力，可应用于移动设备和机器人自动操作。模型支持多语言处理，采用动态分辨率和多模态旋转位置嵌入等技术，显著提升了多模态处理能力。

llava-med-v1.5-mistral-7b - Mistral-7B驱动的生物医学视觉语言模型快速训练的开源研究工具

GithubHuggingfaceLLaVA-Med人工智能模型医学图像识别开源项目模型生物医学视觉语言处理

LLaVA-Med-v1.5-Mistral-7b是一款专注生物医学领域的大型视觉语言模型。它基于PMC-15M数据集开发，采用课程学习方法训练，能处理多种医学图像类型，如显微镜、放射和组织学图像。该模型在PathVQA和VQA-RAD等基准测试中表现优异，为生物医学视觉语言研究提供了重要工具。值得注意的是，这是一个仅用于研究目的的开源项目，仅支持英语处理，不适用于临床环境。

InternVL2-8B - 多模态大语言模型在图像理解、视频分析和目标定位方面的全面能力

GithubHuggingfaceInternVL2多模态大语言模型开源项目指令微调推理性能模型视觉语言模型

InternVL2-8B是一个基于InternViT-300M-448px和internlm2_5-7b-chat的多模态大语言模型。该模型在文档理解、图表分析和场景文本识别等图像任务中表现优异，同时在视频理解和目标定位方面也展现出强大能力。支持8k上下文窗口，能够处理长文本、多图像和视频输入，在开源多模态模型中具有竞争力。

VideoLLaMA2 - 增强视频理解的多模态语言模型

AIGithubVideoLLaMA2多模态大语言模型开源项目视频理解

VideoLLaMA2是一款先进的视频语言模型,通过增强空间-时间建模和音频理解能力,提高了视频问答和描述任务的性能。该模型在零样本视频问答等多项基准测试中表现出色。VideoLLaMA2能处理长视频序列并理解复杂视听内容,为视频理解技术带来新进展。

InternVL2-1B - 多模态大语言模型实现多图像和视频智能理解

GithubHuggingfaceInternVL2人工智能多模态大语言模型开源项目模型自然语言处理计算机视觉

InternVL2-1B是一款新型多模态大语言模型，结合了InternViT-300M-448px视觉模型和Qwen2-0.5B-Instruct语言模型。该模型在文档理解、图表分析和场景文字识别等任务中表现优异，能有效处理长文本、多图像和视频输入。InternVL2-1B在开源多模态模型中表现突出，部分能力可与商业模型比肩。通过采用8k上下文窗口训练，该模型大幅提升了处理长输入序列的能力。

Qwen2-VL-7B-Instruct-GPTQ-Int4 - 量化模型支持多分辨率视觉理解

GithubHuggingfaceQwen2-VL图像理解多模态开源项目模型视觉语言模型视频理解

Qwen2-VL-7B-Instruct-GPTQ-Int4是一款量化视觉语言模型,支持多分辨率图像和20分钟以上视频理解。模型具备复杂推理能力,可应用于移动设备和机器人操作。支持多语言理解,包括欧洲语言、日语和韩语等。采用动态分辨率和多模态旋转位置嵌入技术,在视觉理解基准测试中表现出色。

VoxPoser - 使用语言模型的3D机器人操作轨迹合成系统

3D价值地图GithubVoxPoser开源项目机器人操作语言模型轨迹合成

VoxPoser是一个3D机器人操作轨迹合成系统，结合大型语言模型和视觉语言模型实现零样本任务执行。该项目在RLBench环境中实现，无需训练数据即可生成复杂操作轨迹。系统通过语言模型程序（LMPs）递归生成代码，分解指令并为子任务组合价值图。VoxPoser包含接口、规划器和控制器等核心组件，用于规划和执行机器人操作任务。

MoE-LLaVA-Phi2-2.7B-4e - MoE-LLaVA模型应用专家混合系统提升视觉语言能力

GithubHuggingfaceMoE-LLaVA多模态学习开源项目模型深度学习混合专家系统视觉语言模型

MoE-LLaVA是一个采用专家混合架构的视觉语言模型。该模型使用3B稀疏激活参数，性能与LLaVA-1.5-7B相当，在部分任务上超越LLaVA-1.5-13B。MoE-LLaVA可在8张V100 GPU上2天内完成训练，并在多项视觉理解基准测试中表现优异。这一创新为多模态AI领域提供了新的研究方向。

LLaMA-VID - 支持长视频处理的多模态大语言模型

GithubLLaMA-VID多模态大语言模型开源项目视觉语言模型视频理解

LLaMA-VID是一个新型多模态大语言模型,可处理长达数小时的视频。它通过增加上下文令牌扩展了现有框架的能力,采用编码器-解码器结构和定制令牌生成策略,实现对图像和视频的高效理解。该项目开源了完整的模型、数据集和代码,为视觉语言模型研究提供了有力工具。

llava-onevision-qwen2-7b-si - 多模态AI模型实现图像和视频的深度理解

GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态开源项目机器学习模型

LLaVA-OneVision是一个基于Qwen2语言模型的多模态AI系统，拥有32K tokens的上下文窗口。该模型能够处理单图像、多图像和视频输入，在多个基准测试中表现出色。支持英语和中文，适用于广泛的视觉理解任务。开发者可通过提供的Python代码快速集成该模型，实现图像分析和问答功能。

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。

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。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com