LVM

大规模视觉模型的创新顺序建模方法

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

Github

Huggingface

论文

介绍相关项目

layoutlmv2-large-uncased - 提升多模态文档处理能力的先进预训练模型

GithubHuggingfaceLayoutLMv2图像理解多模态开源项目文档AI模型预训练

LayoutLMv2通过整合文本、布局和图像的新预训练任务，增强文档理解能力，广泛应用于FUNSD、CORD等视觉丰富文档项目，提高性能，适合多种下游任务。

cogvlm2-llama3-chat-19B-int4 - 不同场景应用的高性能多语言文本生成模型

CogVLM2GPU内存需求GithubHuggingface中英文支持图像分辨率基准测试开源项目模型

CogVLM2是一种先进的多语言文本生成模型，在多项基准测试中表现优异，如TextVQA和DocVQA。支持高达8K的文本长度和1344x1344的图像分辨率，并能在ZhipuAI开放平台上进行体验。该模型拥有高效的设计，占用较低的GPU内存，需在Linux系统下的Nvidia显卡上运行，适用于多语言环境中的各种场景。

VPGTrans - 低成本跨语言模型迁移的视觉提示生成器VPGTrans指南

GithubVL-LLMVL-LLaMAVL-VicunaVPGTrans开源项目视觉提示生成器

VPGTrans框架通过迁移视觉提示生成器，显著降低大语言模型的资源消耗和训练数据需求。该项目包括VL-LLaMA和VL-Vicuna两阶段训练方法，并详细介绍了安装、评估和训练步骤，由新加坡国立大学和清华大学的研究人员开发。

llava-v1.6-vicuna-7b-hf - 改进的多模态AI模型增强图像理解和常识推理能力

GithubHuggingfaceLLaVA-Next人工智能助手图像文本生成多模态模型开源项目模型视觉语言处理

LLaVA-NeXT是基于LLaVA-1.5的改进版多模态AI模型。通过增加输入图像分辨率和优化视觉指令调优数据集，该模型显著提升了OCR和常识推理能力。它结合了预训练的大型语言模型和视觉编码器，适用于图像描述、视觉问答和多模态聊天机器人等任务。LLaVA-NeXT支持动态高分辨率处理，并采用多样化、高质量的数据混合方法，从而提供更精确和全面的图像理解。

ml-engineering - 大规模语言模型与多模态模型的训练方法

BLOOM-176BContextual.AIGithubHuggingFaceLarge Language ModelsVLM开源项目

本指南系统介绍了方法、工具和逐步操作说明，帮助工程师成功训练大规模语言模型（LLM）和多模态模型（VLM）。内容涵盖丰富的脚本和命令，适合LLM/VLM训练工程师和操作员使用。基于作者在开源BLOOM-176B和IDEFICS-80B模型训练中的经验，提供有效解决方案，并持续更新，服务于ML社区。

EVE - 无编码器视觉语言模型实现高效性能

EVEGithub开源项目微调无编码器视觉语言模型预训练

EVE项目开发了一种无编码器的视觉语言模型架构,通过高效训练策略和精选数据集实现了与现有编码器基础模型相当的性能。该模型支持任意纵横比图像输入,在多项基准测试中表现优异。EVE-7B和EVE-7B-HD两个版本在视觉语言任务中展现了强大能力,为跨模态纯解码器架构提供了高效实用的开发方法。

MotionLLM - 融合视频和动作数据的人类行为理解先进AI模型

GithubMotionLLM人工智能人类行为理解多模态学习大语言模型开源项目

MotionLLM是一个人类行为理解框架，通过融合视频和动作序列数据来分析人类行为。该项目采用统一的视频-动作训练策略，结合粗粒度视频-文本和细粒度动作-文本数据，以获得深入的时空洞察。项目还包括MoVid数据集和MoVid-Bench评估工具，用于研究和评估人类行为理解。MotionLLM在行为描述、时空理解和推理方面展现出优越性能，为人机交互和行为分析研究提供了新的方向。

llava-onevision-qwen2-72b-si - 多模态模型提高视觉数据交互准确率

GithubHuggingfaceLLaVA-OneVision准确率图像交互多模态开源项目模型预训练模型

此开源项目使用多模态模型，准确率介于85.1%至93.7%之间，在AI2D、DocVQA、Science-QA等数据集表现优异。基于Qwen2语言模型，LLaVA-OneVision能在多语言环境中与视觉数据进行交互，经过大型图像及视频数据集训练，使用bfloat16精度。

InternVL2-1B - 多模态大语言模型实现多图像和视频智能理解

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

InternVL2-1B是一款新型多模态大语言模型，结合了InternViT-300M-448px视觉模型和Qwen2-0.5B-Instruct语言模型。该模型在文档理解、图表分析和场景文字识别等任务中表现优异，能有效处理长文本、多图像和视频输入。InternVL2-1B在开源多模态模型中表现突出，部分能力可与商业模型比肩。通过采用8k上下文窗口训练，该模型大幅提升了处理长输入序列的能力。

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