Project Icon

e5-v

多模态嵌入优化框架与单模态训练策略

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。

mmf - 多模态视觉与语言研究平台
Facebook AI研究GithubMMFPyTorch多模态研究开源项目热门视觉与语言
MMF是Facebook AI Research开发的用于视觉与语言多模态研究的模块化框架,支持PyTorch,提供分布式训练功能。该框架包括最新的视觉和语言模型实现,并已支持多项Facebook AI研究项目。MMF也是各类视觉和语言数据集挑战赛(如Hateful Memes、TextVQA、TextCaps和VQA挑战赛)的首选代码基础。
Phi-3.5-vision-instruct - 微软推出的轻量级多模态AI模型支持128K上下文
GithubHuggingfacePhi-3.5-vision图像理解多模态模型开源项目机器学习模型自然语言处理
Phi-3.5-vision-instruct是一款多模态AI模型,支持128K tokens上下文长度。该模型经过高质量数据训练和优化,具备通用图像理解、OCR、图表分析、多图比较和视频摘要等能力。它适用于内存受限和低延迟场景,为多模态AI研究和应用提供了有力支持。
llava-v1.5-13b - 基于LLaMA的开源多模态AI模型 支持图像理解与对话
GithubHuggingfaceLLaVA人工智能研究图像文本处理多模态模型开源项目模型语言模型
LLaVA-v1.5-13B是一个基于LLaMA和Vicuna微调的开源多模态AI模型。该模型能够理解图像并进行自然语言对话,支持多种视觉问答任务。LLaVA于2023年9月发布,主要面向计算机视觉和自然语言处理领域的研究人员。在12个基准测试中,LLaVA展现了出色的图像理解和指令遵循能力,为多模态AI研究提供了有价值的开源资源。
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。
LanguageBind - 通过语言绑定实现跨模态语义对齐
GithubLanguageBind多模态开源项目视频语言零样本分类预训练
LanguageBind是一种基于语言的多模态预训练方法,通过语言将不同模态进行语义关联。该方法引入了VIDAL-10M数据集,包含1000万条视频、红外、深度、音频及对应语言数据。通过多视角增强的语言描述训练,LanguageBind在多个跨模态任务上实现了先进性能,无需中间模态即可完成跨模态语义对齐。
awesome-foundation-and-multimodal-models - 多模态与基础模型的最新研究进展
Depth AnythingEfficientSAMGithubYOLO-Worldfoundation modelmultimodal model开源项目
此页面介绍了多个最新的多模态和基础预训练模型,如YOLO-World、Depth Anything、EfficientSAM等。这些模型在图像分类、图像描述和零样本物体检测等任务中表现出色,并提供学术论文、GitHub项目和使用示例,帮助深入了解与应用这些前沿技术。
transformers - 机器学习库,覆盖文本、视觉与音频处理
GithubHugging Face人工智能多模态开源项目机器学习自然语言处理
探索🤗 Transformers——一个功能全面的机器学习库,覆盖文本、视觉与音频处理。该库提供数千种可对接JAX、PyTorch或TensorFlow的预训练模型,适用于多种语言处理与多模态任务。主要功能包括: - 文本分类 - 信息提取 - 问答系统 - 摘要生成 - 翻译 - 文本生成 此外,还能处理表格问答、OCR及视觉问答等多模态任务。Transformers库易于使用,支持模型间的快速切换与无缝整合。
LLaVA-NeXT - 大规模开源多模态模型提升视觉语言能力
AI助手GithubLLaVA-NeXT多模态模型大语言模型开源项目视觉语言模型
LLaVA-NeXT是一个开源的大规模多模态模型项目,致力于提升视觉语言交互能力。该项目支持多图像、视频和3D任务的统一处理,在多个基准测试中表现卓越。LLaVA-NeXT提供了多个模型变体,包括支持高分辨率输入和视频处理的版本,以及基于不同大语言模型的实现。此外,项目还开源了训练数据和代码,为研究人员和开发者提供了宝贵资源。
CogVLM2 - 基于Llama3-8B的GPT4V级开源多模态模型
CogVLM2CogVLM2-VideoGithubMeta-Llama-3-8B-Instruct图像理解开源项目视频理解
CogVLM2是基于Meta-Llama-3-8B-Instruct的下一代模型系列,在多项基准测试中表现优异,支持中英文内容和高分辨率图像处理。该系列模型适用于图像理解、多轮对话和视频理解,特别适合需要处理长文本和高分辨率图像的场景。CogVLM2系列还支持8K内容长度,并在TextVQA和DocVQA等任务中显著提升表现。体验更先进的CogVLM2和CogVLM2-Video模型,迎接未来视觉智能挑战。
VITA - 开源全模态交互语言模型
GithubVITA人工智能多模态大语言模型开源项目自然语言处理语音识别
VITA是一款开源全模态语言模型,实现了视频、图像、文本和音频的综合处理。其特点包括全模态理解、无唤醒交互和音频中断交互,显著提高了用户体验。通过创新的状态令牌和双工方案,VITA提升了多模态交互体验。在多项基准测试中,VITA展现出优秀性能,为多模态AI研究和应用开辟了新途径,有望推动相关技术的发展。
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