Project Icon

Video-MME

全面评估多模态大语言模型视频分析能力的基准

Video-MME是一个创新的多模态评估基准,用于评估大语言模型的视频分析能力。该项目包含900个视频和2,700个人工标注的问答对,覆盖多个视觉领域和时间跨度。其特点包括视频时长多样性、类型广泛性、数据模态丰富性和高质量标注。Video-MME为研究人员提供了一个全面评估多模态大语言模型视频理解能力的工具。

LanguageBind_Image - 基于语言实现多模态预训练绑定
GithubHuggingfaceICLRLanguageBind多模态开源项目数据集模型视频语言预训练
LanguageBind是一种创新的多模态预训练方法,通过语言将视频、音频、深度图像等不同模态绑定。该项目提出了包含1000万条多模态数据的VIDAL-10M数据集,并在多个模态任务上实现了领先性能。LanguageBind无需中间模态即可扩展到检测等任务,开源了全部模态预处理代码和API接口,为多模态AI研究提供了有力工具。
PointLLM - 多模态大语言模型理解点云数据的突破性进展
3D点云GithubPointLLM多模态大语言模型开源项目计算机视觉
PointLLM是一个创新的多模态大语言模型,可理解物体的彩色点云数据。该模型能够感知物体类型、几何结构和外观,而不受深度模糊、遮挡或视角依赖等问题影响。项目团队收集了包含660K简单和70K复杂点云-文本指令对的数据集,并采用两阶段训练策略。为评估模型的感知和泛化能力,研究人员建立了生成式3D物体分类和3D物体描述两个基准,并使用三种评估方法进行测试。
ShareGPT4Video - 通过字幕提高视频理解和生成
AI模型GithubShareGPT4Video开源项目视频字幕视频理解视频生成
ShareGPT4Video项目通过应用高精度字幕显著提升视频理解与生成的效果。该项目提供功能强大的文本至视频模型,支持多种视频时长和分辨率,并设有两种优化效率与质量的推断模式。该项目的目标是通过高质量视频字幕数据集改善文本到视频的转换效果,从而提升大型视频语言模型的理解能力。
mms-300m - Facebook AI推出大规模多语言语音预训练模型
Facebook AIGithubHuggingfaceMMS多语言语音模型开源项目模型自监督训练语音识别
MMS-300m是Facebook AI开发的大规模多语言预训练语音模型,具有3亿参数。该模型在超过1400种语言的约50万小时语音数据上进行预训练,采用Wav2Vec2的自监督训练方法。MMS-300m为自动语音识别、翻译和分类等下游任务提供了基础,可通过微调适应不同应用场景,推动了跨语言语音技术的发展。
XMem - 长时视频对象分割的解决方案,基于人类多尺度记忆模型
Atkinson-Shiffrin记忆模型ECCVGPU内存优化GithubXMem开源项目视频对象分割
XMem项目采用Atkinson-Shiffrin记忆模型,提供了一种全新的视频对象分割(VOS)方法。通过结合不同时间尺度的记忆单元,有效避免在处理长时视频时出现的计算和GPU内存问题。XMem可处理超过10000帧的视频,在有限GPU资源下仍保持高效,处理速度达每秒20帧,并附带简化版GUI。项目中还提供了详细的训练和推理指南,适用于实验和实际应用。
MGM - 多模态视觉语言模型的潜力挖掘与创新
AI绘图GithubMini-Gemini图像理解多模态视觉语言模型大语言模型开源项目
Mini-Gemini项目探索多模态视觉语言模型的新可能。该项目支持2B至34B规模的大语言模型,实现图像理解、推理和生成功能。基于LLaVA构建的Mini-Gemini提供完整资源,包括预训练权重、数据集和评估基准。通过双视觉编码器和patch信息挖掘等技术创新,Mini-Gemini实现了文本与图像的深度融合。
FAST-VQA-and-FasterVQA - 开源高效视频质量评估框架
FAST-VQAFasterVQAGithub开源项目机器学习深度学习视频质量评估
FAST-VQA和FasterVQA是端到端视频质量评估的开源工具箱,提供高效的评估模型。FasterVQA作为FAST-VQA的改进版,在保持相似性能的同时速度提升4倍。这些模型在多个数据集上达到最先进水平。项目采用模块化架构,支持灵活的空间和时间采样方法及多种网络结构。研究者可进行模型训练、测试,并在小型数据集上微调。
LLaVA-NeXT - 大规模开源多模态模型提升视觉语言能力
AI助手GithubLLaVA-NeXT多模态模型大语言模型开源项目视觉语言模型
LLaVA-NeXT是一个开源的大规模多模态模型项目,致力于提升视觉语言交互能力。该项目支持多图像、视频和3D任务的统一处理,在多个基准测试中表现卓越。LLaVA-NeXT提供了多个模型变体,包括支持高分辨率输入和视频处理的版本,以及基于不同大语言模型的实现。此外,项目还开源了训练数据和代码,为研究人员和开发者提供了宝贵资源。
MPP-LLaVA - 基于QwenLM的多模态并行系统,支持多轮对话及视频交流
GithubMPPQwen-Nextsft数据多轮对话开源项目流水线并行视频对话
MPP-Qwen-Next项目基于QwenLM,提供多模态流水线并行系统,支持多轮对话、视频对话和多图对话功能。借助DeepSpeed Pipeline Parallel技术,实现高效的单图、多图及视频推理。项目包含详细的预训练和指令微调数据,适用于多种对话场景,并专为大规模显卡配置进行了优化。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号