Emu3-Gen

统一模型驱动的AI系统实现图像文本与视频的生成与理解

Emu3 图像处理深度学习多模态模型 Huggingface Github AI生成开源项目模型

Emu3采用单一变换器架构，将图像、文本和视频转化为统一序列空间进行处理。通过纯粹的下一标记预测训练方式，该系统在图像生成、视觉语言理解和视频生成等多个任务中展现出优异性能。与SDXL、LLaVA-1.6等专门模型相比，Emu3以更简洁的架构实现了更强的多模态处理能力。

文档

Janus-1.3B - 提升视觉编码的灵活性与性能的多模态框架

GithubHuggingfaceJanustransformer架构多模态理解开源项目模型生成模型视觉编码

Janus是一种创新的自回归框架，通过解耦视觉编码提升多模态功能的灵活性和性能。该框架基于训练有素的DeepSeek-LLM-1.3b-base，处理了大约5000亿文本标记，并采用SigLIP-L视觉编码器实现高效图像处理。Janus在维持简单高效的设计下，达到甚至超越了任务特定模型的性能，预示着下一代统一多模态模型的可能性。

text-to-video-ms-1.7b - 多阶段扩散模型实现文本到视频的智能转换

GithubHuggingfaceModelScopediffusion modeltext-to-video人工智能开源项目模型视频生成

text-to-video-ms-1.7b是一个基于多阶段扩散模型的文本到视频生成系统。该模型可将英文文本描述转化为匹配的视频内容,由三个子网络组成,总参数约17亿。支持长视频生成,适用于多种创意应用场景。目前仅支持英语输入,且存在无法生成清晰文本等局限性。该模型仅供研究用途,使用时应注意避免生成不当或有害内容。

Lumina-mGPT-7B-768 - 自回归多模态模型在图像生成和语言任务中的应用

GithubHuggingfaceLumina-mGPT图像生成多模态开源项目文本描述模型自动回归模型

Lumina-mGPT是一组多模态自回归模型，专注于视觉和语言任务，尤其在从文本描述生成逼真的图像方面表现出色。GitHub上的实现和示例代码让用户可以轻松探索和应用其能力。

Chat-UniVi - 基于动态视觉令牌的图像视频双模态理解模型

Chat-UniViGithubHuggingface图像处理多模态大语言模型开源项目模型视频理解

Chat-UniVi是一个创新的大语言模型框架，采用动态视觉令牌技术实现图像和视频的统一处理。通过混合数据集训练，模型可同时处理图像空间信息和视频时序关系，性能超越了单一模态的专用模型。该项目为多模态AI技术发展提供了新的解决方案。

Lumina-mGPT - 多模态AI模型实现文本到图像的灵活生成

GithubLumina-mGPT人工智能图像生成多模态开源项目自回归模型

Lumina-mGPT是一个多模态自回归模型系列，适用于多种视觉和语言任务。这个开源项目特别擅长将文本描述转化为逼真图像，提供7B和34B两种参数规模的模型，以及多种图像分辨率选项。除图像生成外，Lumina-mGPT还支持图像理解和全能型任务，为AI研究和应用开发提供了灵活的工具。

paligemma-3b-pt-896 - 轻量级视觉语言模型支持多种图像文本任务

GithubHuggingfacePaliGemma图像文本生成多语言支持开源项目微调模型视觉语言模型

PaliGemma是一个轻量级视觉语言模型,基于SigLIP视觉模型和Gemma语言模型构建。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像描述、视觉问答、文本识别等多种视觉语言任务中表现优异。经过大规模数据预训练后,可通过微调应用于特定视觉语言场景。

Llama-3.2-3B-Instruct-GGUF - 多语言模型优化文本生成与对话

GithubHuggingfaceLlama 3.2Meta元学习多语言文本生成开源项目模型许可协议

Llama 3.2作为多语言生成模型，通过优化变换器架构，在文本生成和对话中表现出色，适用于商业和研究。支持英语、德语、法语等多种语言，并可通过监督微调和人类反馈提升性能，特别在信息检索和总结任务中表现优异。使用需遵循许可协议。

MetaTransformer - 统一12种模态的多模态学习框架

GithubMeta-Transformer人工智能多模态学习开源项目深度学习计算机视觉

Meta-Transformer是一个创新的多模态学习框架，可处理12种不同模态的数据，包括自然语言、图像、点云和音频等。该框架采用共享编码器架构和数据到序列转换方法，支持分类、检测和分割等多种任务。项目提供开源预训练模型和代码实现，为多模态AI研究提供了有力支持。

llava-v1.6-34b-hf - 图像与文本交互的多模态AI模型

GithubHuggingfaceLLaVa-NeXTNous-Hermes-2-Yi-34B光学字符识别多模态聊天机器人开源项目模型视觉指令微调

LLaVa-NeXT模型结合大规模语言模型与视觉编码器，通过提高图像分辨率和优化数据集，增强了OCR和常识推理能力，适用于多模态对话应用场景。支持图像字幕生成和视觉问答，提供双语功能与商业许可保障。

Video-LLaMA - 指令微调的音视频语言模型实现多模态视频理解

AI对话GithubVideo-LLaMA多模态开源项目视频理解语言模型

Video-LLaMA是一个多模态AI项目，为大型语言模型赋予视频和音频理解能力。该项目基于BLIP-2和MiniGPT-4构建，包含视觉-语言和音频-语言两个分支。经过大规模视频和图像数据预训练及指令微调后，Video-LLaMA能够进行视频分析、音频理解和多轮对话。该模型支持英文和中文交互，为视频内容分析提供了新的AI解决方案。

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