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。

SEED - 融合视觉与语言的多模态AI框架

AI助手GithubSEED-LLaMA多模态大语言模型开源项目视觉语言模型

SEED是一个创新的多模态AI框架，通过视觉分词器和去分词器，赋予大语言模型视觉理解和生成能力。该系统支持多模态理解与生成，展现出多轮上下文多模态生成等组合能力。基于SEED开发的SEED-LLaMA在广泛的多模态任务中表现优异，为AI领域开辟了新的研究方向。

unified-io-2 - 跨模态人工智能的开源新标杆

GithubUnified-IO 2人工智能多模态模型开源项目机器学习深度学习

Unified-IO 2是一个开源的多模态AI框架，集成视觉、语言、音频和动作处理能力。项目提供完整代码支持演示、训练和推理，适用于TPU和GPU环境。基于T5X优化，内含多规格预训练模型和丰富数据集。其跨模态学习和生成能力为AI研究与应用提供了新的可能性。项目采用模块化设计，便于研究人员和开发者进行二次开发和定制。Unified-IO 2支持多种数据格式和预处理流程，为不同任务场景提供灵活解决方案。其开源性质促进了AI社区的协作与创新，为多模态AI技术的进步做出贡献。

LanguageBind_Video_FT - 基于语言的多模态预训练方法扩展到N种模态

GithubHuggingfaceICLRLanguageBind多模态开源项目模型视频语言预训练

LanguageBind是一种基于语言的多模态预训练方法,将视频-语言预训练扩展到视频、红外、深度、音频等多种模态。该方法以语言作为不同模态间的桥梁,无需中间模态即可实现高性能。项目提出了包含1000万条数据的VIDAL-10M数据集,涵盖5种模态。通过多视角增强的描述训练,LanguageBind在多个下游任务中展现出优异性能。

InternVL2-2B - 多模态大语言模型支持多语言及多媒体理解

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

InternVL2-2B是一个开源的多模态大语言模型,参数量为2.2B。该模型在文档理解、图表分析和场景文本识别等任务中表现优异,性能接近商业闭源模型。InternVL2-2B支持8K上下文窗口,可处理长文本、多图像和视频输入,大幅提升了多模态理解能力。作为一款出色的开源模型,InternVL2-2B为多模态人工智能研究和应用提供了新的可能性。

NExT-GPT - NExT-GPT多模态语言大模型的前沿应用和技术

GithubNExT-GPT多模态LLM多模态编码开源项目端到端学习语言模型

NExT-GPT，一个先进的多模态语言处理大型模型，支持文本、图像、视频和音频的综合处理。该模型整合了最新科技，提供代码和数据资源，可广泛应用于内容自动生成和多模态交互等领域。它利用先进的多模态编码器和语言模型进行有效的语义理解与生成，同时能输出特定模态内容，满足多种输入与输出需求。

InternVL2-40B - 强化跨模态大语言模型的能力

GithubHuggingfaceInternVL场景文本理解多模态开源项目模型视觉理解计算机视觉

InternVL 2.0 通过融合多模态大语言模型，在文件和图表理解、信息图问答、场景文本理解和OCR任务等方面表现出色。它能够利用长文本、多图片和视频进行训练，提升对多种输入的处理效率，并提供1亿到108亿参数的多种模型可选择，与商业模型相当。在多项基准测试中，InternVL 2.0 展示了其卓越的综合理解能力。

SLAM-LLM - 专注语音语言音频音乐处理的多模态大模型训练工具

GithubSLAM-LLM多模态大语言模型开源项目语音处理音乐处理音频处理

SLAM-LLM是一款开源深度学习工具包，为多模态大语言模型(MLLM)训练而设计。它专注于语音、语言、音频和音乐处理，提供详细训练方案和高性能推理检查点。支持自动语音识别、文本转语音等多种任务，具备易扩展性、混合精度训练和多GPU训练等特点，适合研究人员和开发者使用。

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。

bge-m3 - 先进的多语言多功能文本嵌入模型

BGE-M3GithubHuggingface向量检索多语言开源项目文本嵌入模型自知识蒸馏

BGE-M3是一个支持100多种语言的文本嵌入模型，具备多功能和多粒度处理能力。它可同时执行密集检索、多向量检索和稀疏检索，处理范围从短句到长达8192个token的文档。该模型在多语言和跨语言任务中表现出色，为检索增强生成等应用提供支持。BGE-M3采用自知识蒸馏等技术训练，在多项基准测试中取得了优秀成绩。

LaVIT - 大语言模型理解生成视觉内容的统一框架

GithubLaVIT多模态大语言模型开源项目视觉内容理解视觉内容生成预训练策略

LaVIT项目是一个创新的多模态预训练框架，旨在增强大语言模型处理视觉内容的能力。该项目通过动态离散视觉标记化技术，将图像和视频转换为离散标记序列，使大语言模型能够理解和生成视觉内容。LaVIT支持图像和视频的理解、生成，以及多模态提示生成，为计算机视觉和自然语言处理的融合提供了新的可能性。

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。

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