multi_token

将多模态嵌入到大语言模型的开源框架

multi_token 多模态嵌入大语言模型图像识别语音识别 Github 开源项目

multi_token是一个开源项目，旨在扩展大语言模型的多模态处理能力。该框架支持将图像、音频、文档和视频等多种模态编码为统一格式，并嵌入到单个模型中。它提供了简便的实现方法，使开发者能够轻松构建支持长文档、图像、音频和视频等多模态输入的语言模型。

awesome-multi-modal-reinforcement-learning - 多模态强化学习前沿论文与研究资源汇总

Github多模态强化学习开源项目表征学习视觉强化学习语言模型预训练

本项目收集了多模态强化学习(MMRL)领域的前沿研究论文和资源。内容涵盖视觉、语言及其结合的MMRL方法,包括ICLR、NeurIPS、ICML等顶级会议论文,以及预训练、表征学习、视觉推理等热点主题。项目持续追踪最新进展,为MMRL研究提供全面参考。

NVLM-D-72B - 开源前沿级多模态大语言模型实现视觉语言任务的最新突破

GithubHuggingfaceNVLM人工智能多模态大语言模型开源项目模型视觉语言

NVLM-D-72B是一款开源的多模态大语言模型，在视觉语言任务上表现卓越，达到了与顶级专有和开源模型相当的水平。该模型不仅擅长视觉语言任务，在多模态训练后其纯文本处理能力也有所提升。NVLM-D-72B可执行光学字符识别、多模态推理、定位、常识推理等多种任务，为AI研究社区提供了强大的开源多模态能力。

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。

Mono-InternVL-2B - 原生多模态大语言模型融合视觉与文本能力

GithubHuggingfaceInternLM2原生模型多模态大语言模型开源项目模型视觉识别语言模型

Mono-InternVL是一个融合视觉编码和文本解码的原生多模态大语言模型。它通过专家混合机制和内生视觉预训练方法优化视觉理解能力，同时保持强大的语言能力。该模型基于InternLM2构建，拥有1.8B激活参数，在多项视觉语言基准测试中表现优异，并将首个token的延迟降低67%，大幅提升了部署效率。

Monkey - 利用高分辨率图像和优质文本标签增强多模态模型性能

GithubMonkey图像分辨率多模态模型开源项目文本标签视觉问答

Monkey是一个开源的多模态大模型项目，通过提高图像分辨率和优化文本标签来改善模型性能。该项目在MMBench、CCBench和MME等基准测试中表现优异。Monkey提供完整的模型定义、训练代码和演示系统，支持离线和在线部署。此外，项目还开源了多级描述生成数据集，并提供了针对多个视觉问答数据集的评估工具，方便研究人员进行实验和改进。

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。

i-Code - 打造集成可组合的多模态人工智能框架

GithubProject i-Code基础模型多模态人工智能开源项目文档智能视觉问答

i-Code是一个致力于多模态人工智能研究的开源项目。它提供了多个版本的多模态基础模型，包括i-Code V1、V2和V3(CoDi)，以及i-Code Studio框架。项目还涉及多模态文档智能和基于知识的视觉问答技术。i-Code为AI领域提供了集成视觉、语言和语音的多模态工具，促进了人工智能的跨领域发展。

CogVLM - 开源视觉语言模型，提升图像理解与跨模态对话功能

CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试

CogVLM和CogAgent是领先的开源视觉语言模型，专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数，并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进，增添了GUI图像代理能力，支持1120*1120分辨率的图像理解，并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示，用户可以方便地进行模型推理和微调。了解更多信息，请访问项目主页。

multi_verse_model - 运用创新方法展示人工智能学习与发展的可能性

GithubHuggingface人工智能创新概念学习机器人开源项目持续学习模型知识吸收

基于先进训练技术的人工智能项目，展示了持续学习和发展的未来潜力，体现技术研发中的突破性实验成果。

tokenizer_titok_s128_imagenet - 基于PytorchModelHubMixin的开源图像标记化模型

GithubHugging FaceHuggingfacePytorchModelHubMixin图像标记化开源项目机器学习模型模型深度学习

tokenizer_titok_s128_imagenet是一个开源的图像标记化模型，基于Apache-2.0许可。该项目利用PytorchModelHubMixin技术与Hugging Face模型库集成，专注于图像tokenization。它支持PyTorch模型hub功能，为图像处理研究和开发提供了实用工具。项目源码托管于GitHub的1d-tokenizer仓库。

相关项目

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