e5-v

多模态嵌入优化框架与单模态训练策略

Github 开源项目单模态训练模型 E5-V transformers Huggingface 图像文本处理多模态嵌入

E5-V框架通过调整多模态大型语言模型，有效实现多模态嵌入，提高不同输入之间的连接能力，即便不进行微调。其提出的单模态训练方法，仅训练文本对，表现超过多模态训练。

byt5 - 字节级预训练语言模型开启无词元化时代

ByT5GithubUTF-8字节开源项目自然语言处理语言模型预训练

ByT5作为mT5模型的无词元化版本，通过直接操作UTF-8字节实现了文本处理的简化。研究表明，ByT5在多种任务中与mT5旗鼓相当，并在处理噪声文本和对拼写发音敏感的任务中表现更为出色。该项目不仅开源了完整的模型训练、微调和评估代码，还提供了从小型到超大型的多个预训练模型检查点，为推动自然语言处理技术向无词元化方向发展做出了重要贡献。

TencentPretrain - 多模态预训练和微调框架，支持文本、视觉与音频数据

GithubTencentPretrain下游任务多模态开源项目模型库预训练

腾讯开发的多模态预训练框架TencentPretrain，专为文本、视觉和音频数据设计，具有高效的模块化设计，便于使用现有预训练模型并提供扩展接口。支持CPU、单GPU及分布式训练模式，拥有丰富的预训练模型，适用于如分类、机器阅读理解等多种下游任务，在多个竞赛中表现优异。详见完整文档及快速入门指南。

RLHF-V - 通过细粒度反馈优化多模态大语言模型

GithubRLHF-V人类反馈多模态大语言模型幻觉减少开源项目行为对齐

RLHF-V框架通过细粒度的人类纠正反馈来优化多模态大语言模型的行为。该项目收集高效的纠正反馈数据,让标注者修正模型回答中的幻觉片段。实验表明,仅需1小时训练即可将基础模型的幻觉率降低34.8%。RLHF-V在Muffin模型上的验证展示了显著的性能提升,有效提高了模型的可信度。

Awesome-Multimodal-LLM - 大语言模型（LLM）在多模态学习中的最新研究趋势

GithubLLM多模态学习开源开源项目模型微调神经网络

本页面介绍大语言模型（LLM）在多模态学习中的最新研究趋势，包括文本、视觉（图像和视频）、音频等多种模态。重点讨论如LLaMA、Alpaca和Bloom等开源且适合研究的LLM骨干模型及其学习方法，如全量微调、参数有效微调、上下文学习等。同时列举了具体的多模态LLM模型实例，如OpenFlamingo和MiniGPT-4，以及评估方法，如MultiInstruct和POPE，提供科研人员了解和研究LLM引导多模态学习的资源。

ImageBind - 跨模态AI模型实现六种感官数据的统一嵌入

CVPR 2023GithubImageBind多模态嵌入开源项目跨模态检索零样本分类

ImageBind是由Meta AI研发的AI模型，可将图像、文本、音频、深度、热感和IMU数据统一到单一嵌入空间。该模型支持跨模态检索、模态组合运算、检测和生成等应用，在多个零样本分类任务中表现良好。ImageBind为多模态AI研究提供了新思路，研究者可通过其开源的PyTorch实现和预训练模型进行进一步探索。

Open-LLaVA-NeXT - 多模态大语言模型实现视觉语言对齐和指令微调的开源项目

AI模型评估GithubLLaVA-NeXT多模态模型开源实现开源项目视觉语言训练

Open-LLaVA-NeXT是一个复现LLaVA-NeXT系列模型的开源项目。它提供开源训练数据和检查点，基于LLaVA代码库进行修改。该项目支持CLIP-L-336视觉编码器以及Vicuna-7B和LLaMA3-8B等语言模型。通过特征对齐和视觉指令微调两个阶段的训练，Open-LLaVA-NeXT实现了多模态能力，在多项评估任务中表现优异。

DeepSeek-VL - 高性能开源视觉语言模型多模态理解与复杂场景应用

DeepSeek-VLGithub人工智能多模态理解开源开源项目视觉语言模型

DeepSeek-VL是一个开源视觉语言模型，为实际应用场景而设计。它能处理逻辑图表、网页、公式、科学文献、自然图像等，并在复杂场景中展现智能。模型提供1.3B和7B两种参数规模，支持基础和对话应用，可用于学术研究和商业用途。DeepSeek-VL采用MIT许可证，为研究人员和开发者提供了强大的视觉语言处理工具。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

LLM2Vec-Mistral-7B-Instruct-v2-mntp - 将大型语言模型转变为高效文本编码器的简单方法

GithubHuggingfaceLLM2Vec开源项目文本编码模型深度学习自然语言处理语义相似度

LLM2Vec-Mistral-7B-Instruct-v2-mntp项目提供了一种将解码器型大语言模型转换为文本编码器的方法。该方法包括启用双向注意力、掩码下一个词预测和无监督对比学习三个步骤。经过转换的模型可生成高质量文本嵌入，适用于信息检索、文本分类和语义相似度等自然语言处理任务，并可通过微调进一步提升性能。

3D-VisTA - 简化3D视觉和文本对齐的新型预训练模型

3D-VisTAGithub多模态融合开源项目自然语言处理计算机视觉预训练模型

3D-VisTA是一种新型预训练变换器模型,专注于3D视觉和文本对齐。该模型采用简洁统一的架构,无需复杂的任务特定设计,可轻松适应多种下游任务。通过在大规模ScanScribe数据集上预训练,3D-VisTA在视觉定位、密集字幕生成等3D视觉语言理解任务中达到了领先水平。此外,该模型还表现出优异的数据效率,即使在标注数据有限的情况下也能保持强劲性能。

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