#基础模型

IBM watsonx.ai，领先的企业级AI平台，专为AI模型全周期管理设计。支持快速部署至多云环境，并提供高级安全保护，帮助企业简化AI开发流程，加速创新。

Amazon Bedrock Workshop提供一系列实践实验，涵盖文本生成、知识库构建、模型定制、图像处理和智能代理等生成式AI应用。开发者通过动手实践，可以掌握Bedrock API和SDK的使用方法，学习如何将基础模型应用于实际场景，提升开发效率。本教程适合希望深入了解Amazon Bedrock功能并探索生成式AI潜力的技术人员。

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。

本项目收录了多样化的基础模型评估榜单、开发工具和评估机构信息。涵盖文本、图像、代码、数学等领域的模型评估,同时包含解决方案和数据导向的评估。项目提供榜单搜索功能,便于快速查找。这一资源有助于研究人员和开发者比较和分析不同基础模型的性能。

本资源列表汇总了基础模型推理能力相关内容,包括语言、视觉和多模态基础模型,以及常识、数学、逻辑等多领域推理任务应用。同时概述了预训练、微调、对齐训练等推理技术,为研究人员和开发者提供全面参考。

TimesFM是谷歌研究院开发的时间序列预测基础模型，支持多种时间频率的单变量预测。模型可处理最长512个时间点的上下文和任意长度的预测范围，提供简单的API接口支持数组和pandas输入。通过外部回归器库，TimesFM能处理静态和动态协变量。此外，该模型支持微调功能，允许用户在自有数据上优化性能。

AGIEval是一个评估AI基础模型人类认知能力的综合基准。它包含20个源自高标准入学和资格考试的任务，涉及多个领域。AGIEval提供完整数据集、基线系统评估和详细评估方法，是衡量AI模型综合能力的权威工具。最新版本支持多语言评估，并设有完整排行榜，为研究人员提供了全面的AI模型能力评估平台。

C-Eval是一个综合性中文基础模型评估套件，涵盖52个学科和4个难度级别的13948道多选题。该项目通过零样本和少样本评估，展示了主流模型在STEM、社会科学和人文学科等领域的表现。C-Eval旨在帮助开发者追踪模型进展并分析其优缺点。研究者可通过官方网站或相关论文获取详细信息，并利用提供的数据和方法评估自己的模型。

Offsite-Tuning是一种迁移学习框架，允许在不完全访问原始模型的情况下对大型基础模型进行微调。该方法使用轻量级适配器和压缩仿真器，保护模型所有者和数据所有者的隐私，同时提高计算效率。与传统全模型微调相比，Offsite-Tuning保持相当准确性，同时实现6.5倍速度提升和5.6倍内存减少，适用于大规模语言和视觉模型。

Awesome-Foundation-Models项目提供视觉和语言基础模型的精选资源列表，涵盖最新研究论文、综述文章和开源代码。内容包括图像、视频和多模态等领域，助力研究者和开发者追踪前沿进展、了解研究动态和寻找实用实现。该资源库为人工智能领域提供全面而权威的参考。

HumanBench项目致力于开发通用人体感知基础模型，包含PATH和UniHCP两个子项目，均发表于CVPR 2023。该项目采用投影辅助预训练技术，旨在提升模型性能，为计算机视觉领域提供新的研究方向。项目代码已开源，上海人工智能实验室正在招募相关研究人员和工程师，共同推进人体感知基础模型的研究。

Lag-Llama是开源的时间序列预测基础模型，支持任意频率和预测长度的零样本预测及模型微调。项目提供预训练和微调脚本，可复现论文实验。模型具备强大的零样本能力，微调后性能更佳。使用时可通过调整上下文长度和学习率等参数优化性能。作为概率预测模型，Lag-Llama输出每个时间步的概率分布。

MOMENT是一个开源的时间序列分析基础模型家族，为多任务、多数据集和多领域应用而设计。该模型在大规模时间序列数据上预训练，可处理预测、分类、异常检测和插补等任务。MOMENT能捕捉时间序列的内在特征，学习有意义的数据表示，在少量标记数据的情况下也表现出色。项目提供预训练模型、教程和研究代码，为时间序列分析提供了实用工具。

EHRSHOT基准包含6,739名患者的完整电子健康记录和15个分类任务,用于评估EHR基础模型的少样本学习能力。项目发布了一个在大规模患者数据上预训练的临床基础模型,并提供相关资源,旨在推动EHR深度学习研究的发展和可重复性。

该项目汇集了用于时间序列、时空数据和事件数据分析的大型语言模型及基础模型资源。内容全面涵盖了最新研究进展，包括论文、代码和数据集。涉及领域包括通用时间序列分析、交通、金融、医疗等多个应用方向，以及事件分析、时空图和视频数据等相关主题。项目为研究人员和实践者提供了一个综合性资源库，并持续更新最新成果。

Refiners是一个开源项目，致力于优化基础模型适配器的训练和部署流程。该项目集成了多项前沿技术，包括IC-Light图像照明调控、Multi Upscaler高分辨率图像生成和HQ-SAM高质量掩码预测等。Refiners还支持SDXL-Lightning和潜在一致性模型等创新功能，为开发者提供了多样化的工具和灵活的适配方案，促进AI模型的快速迭代和实际应用。

LLM4TS项目整理了时间序列分析领域中大型语言模型和基础模型的最新研究。主要内容包括时间序列LLM的进展、专用基础模型、数据集和重要发现。此外，项目还涵盖了预训练时间序列模型和LLM在推荐系统等相关领域的应用，为研究和实践提供了丰富的资源。

DriveGAN是一种高质量神经网络模拟器，通过无监督学习实现环境组成部分的解耦控制。它可模拟转向控制、场景天气和非玩家对象位置等特征。DriveGAN的全微分特性支持视频序列重新模拟，允许在已记录场景中采取不同行动。该方法在多个数据集上训练，包括160小时真实驾驶数据，性能显著优于现有技术。

FMBench是一个用于基准测试AWS生成式AI服务上基础模型性能的Python工具。它支持在SageMaker、Bedrock、EKS和EC2等平台上评估开源、第三方和专有模型。FMBench可帮助用户比较不同模型和部署选项的性能和准确性,从而优化生成式AI工作负载。

本项目汇总了医学影像领域基础模型相关的研究文献和资源。内容涵盖文本提示模型和视觉提示模型两大类,包括对比学习、对话式、生成式等多种模型。项目提供论文标题、作者、发表时间和链接等详细信息。这一资源集合为医学影像基础模型研究提供了全面的参考材料。

Chronos-T5-Mini是一款基于T5架构的预训练时间序列预测模型，拥有2000万参数。该模型将时间序列转换为token序列进行训练，可生成概率性预测。Chronos-T5-Mini在大量公开时间序列数据和合成数据上训练，适用于多种时间序列预测任务。通过Chronos Pipeline，研究人员和开发者可以便捷地使用该模型进行推理，获得精确的预测结果。

Chameleon-7b是Meta AI研究院开发的多模态基础模型，采用早期融合架构同时处理图像和文本输入。该模型在多项多模态任务中表现优异，为计算机视觉和自然语言处理领域提供新思路。研究人员可通过Meta的许可协议获取模型权重，探索其在不同应用场景中的潜力。