videollm-online

流式视频实时理解与交互的先进模型

VideoLLM-online 流媒体视频实时交互大语言模型视频处理 Github 开源项目

VideoLLM-online是一款针对流媒体视频的在线大语言模型。该模型支持视频流实时交互，可主动更新响应，如记录活动变化和提供实时指导。项目通过创新的数据合成方法将离线注释转化为流式对话数据，并采用并行化推理技术实现高速处理，在A100 GPU上处理速度可达10-15 FPS。VideoLLM-online在在线和离线环境中均表现出色，能高效处理长达10分钟的视频，为视频理解与交互领域带来新的可能性。

访问官网

Github

Huggingface

介绍相关项目

llava-onevision-qwen2-7b-ov-hf - 支持单图多图和视频理解的多模态语言模型

GithubHuggingfaceLLaVA-Onevision人工智能图像理解多模态开源项目模型视频理解

LLaVA-Onevision-qwen2-7b-ov-hf是一个基于Qwen2微调的开源多模态大语言模型。作为首个能在单图、多图和视频场景中同时提升性能的模型，它展现了卓越的跨模态和跨场景迁移学习能力。该模型特别擅长视频理解和跨场景任务，支持多图像和多提示生成，适用于广泛的视觉理解应用。

LWM - 百万级上下文多模态AI模型突破性成果

GithubLarge World ModelRingAttention多模态模型开源项目视频处理长文本理解

Large World Model (LWM)是一种创新的多模态AI模型，具备百万级上下文处理能力。LWM通过分析大规模视频和文本数据，实现了语言、图像和视频的综合理解与生成。该项目开源了多个模型版本，支持处理超长文本和视频，在复杂检索和长视频理解等任务中表现出色，为AI技术发展提供了新的可能性。

video-retalking - 音频驱动的实时视频唇形同步编辑系统

AI技术GithubVideoReTalking人脸编辑唇形同步开源项目视频处理

VideoReTalking是一个创新系统，通过输入音频编辑真实世界说话人头视频的面部，生成高质量且唇形同步的输出视频。系统将任务分为三步：生成标准表情面部视频、实现音频驱动的唇形同步，以及增强面部真实感。整个过程采用基于机器学习的方法，无需人工干预即可自动完成。

LaVie - 级联潜在扩散模型实现高质量视频生成

AI视频制作GithubLaVie开源项目文本生成视频潜在扩散模型视频生成

LaVie是一个基于级联潜在扩散模型的文本到视频生成框架。它通过基础模型生成、视频插值和超分辨率三个步骤,可生成16至61帧、最高1280x2048分辨率的高质量视频。该框架支持多种采样方法和参数调整,用户可通过简单命令生成不同风格视频。LaVie开源了模型代码和预训练权重,便于学术研究和商业应用。

LL3DA - 3D环境下的多模态语言和视觉互动助手

3D环境3D语言模型GithubLL3DA开源项目点云视觉交互

LL3DA是一种大型语言3D助手，能够在复杂的3D环境中响应视觉和文本交互。现有的多模态模型在3D场景理解中的挑战使得LL3DA采用点云直接作为输入，从而减少计算负担并提升性能。实验结果表明，LL3DA在3D密集描述和3D问答任务上优于其他3D视觉语言模型。其开源代码和预训练模型权重允许用户训练定制模型，并进一步拓展到更大规模的3D视觉语言基准上。

CogVideo - 开源视频生成模型，支持高效单GPU推理

CogVideoXGithubICLR'23开源项目文本到视频视频生成

CogVideoX和CogVideo通过大规模预训练模型和3D因果VAE技术，实现高质量的文本到视频生成。CogVideoX-2B可在单个3090 GPU上进行推理，生成效果几乎无损。提供详尽的快速入门指南、模型结构介绍和使用案例。探索CogVideoX和CogVideo在Huggingface、WeChat、Discord等平台上的应用，获取更多技术细节和更新。

MPP-LLaVA - 基于QwenLM的多模态并行系统，支持多轮对话及视频交流

GithubMPPQwen-Nextsft数据多轮对话开源项目流水线并行视频对话

MPP-Qwen-Next项目基于QwenLM，提供多模态流水线并行系统，支持多轮对话、视频对话和多图对话功能。借助DeepSpeed Pipeline Parallel技术，实现高效的单图、多图及视频推理。项目包含详细的预训练和指令微调数据，适用于多种对话场景，并专为大规模显卡配置进行了优化。

LabelLLM - 开源数据标注平台优化LLM开发流程

GithubLabelLLM人工智能多模态开源开源项目数据标注平台

LabelLLM是一个开源数据标注平台，旨在优化大型语言模型(LLM)开发中的数据标注流程。该平台提供灵活配置、多模态数据支持、全面任务管理和AI辅助标注功能。LabelLLM适合独立开发者和中小型研究团队使用，可显著提高数据标注效率，为LLM训练数据准备提供有力支持。

VILA - 创新的视觉语言模型预训练方法

GithubVILA多模态开源项目视觉语言模型量化预训练

VILA是一种新型视觉语言模型，采用大规模交错图像-文本数据预训练，增强了视频和多图像理解能力。通过AWQ 4位量化和TinyChat框架，VILA可部署到边缘设备。该模型在视频推理、上下文学习和视觉思维链等方面表现出色，并在多项基准测试中获得了优异成绩。项目完全开源，包括训练和评估代码、数据集以及模型检查点。

LLM-FineTuning-Large-Language-Models - LLM微调实践与技术应用指南

Fine-tuningGithubLLMPEFTQLoRA开源项目量化

本项目介绍了如何使用ORPO、QLoRA、GPTQ等技术对大型语言模型（LLM）进行微调，包含具体实例和代码片段。项目还提供与这些技术相关的YouTube视频链接，提供全面的学习资料。此外，项目还包含各类实用工具和技术说明，帮助用户更好地理解和应用这些前沿技术。适合有一定编程基础的研究人员和开发者参考。

相关项目

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

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

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