Mantis是基于LLaMA-3的大型多模态模型,专注于多图像视觉语言任务。通过在Mantis-Instruct数据集上进行36小时的指令微调,该模型在5个多图像基准测试中实现了领先性能。Mantis能处理交错的文本和图像输入,有效应对复杂多图像任务,同时保持出色的单图像处理能力。项目开源了代码、模型和演示,为AI研究和开发提供了强大的多图像处理工具。

CapsFusion是一个用于生成高质量图像描述的创新框架。该项目结合大型语言模型，融合真实和合成图像-文本对，解决了大规模多模态模型训练中的可扩展性和知识保留问题。CapsFusion提供120M数据集、模型和分布式推理代码，为多模态预训练研究提供重要资源。

multimodal-maestro是一个开源框架，旨在增强对大型多模态AI模型的控制能力。该项目提供先进的提示策略，使模型能够执行复杂的视觉理解任务。支持图像标注、掩码生成等功能，并具有简洁的API设计。multimodal-maestro能够充分发挥GPT-4V等多模态模型的潜力，实现更精准的视觉分析和处理。