Groma

多模态大语言模型Groma的视觉定位技术

Groma是一款多模态大语言模型，具有出色的区域理解和视觉定位功能，能够处理用户定义的区域输入并生成基于视觉内容的长文本回答。Groma采用独特的视觉标记和外部模块进行定位，在多模态引用表达理解基准方面表现优秀，并提供详细的安装、数据准备和训练指南，方便用户进行自定义训练。

访问官网

InternLM-XComposer - 多模态视觉语言模型实现超高分辨率理解与多场景交互

GithubInternLM-XComposer-2.5多回合多图对话多模态大语言模型开源项目网页制作高分辨率图像理解

InternLM-XComposer-2.5是一款高级多模态视觉语言模型，能处理高达96K的复杂图文背景。该模型优秀适用于超高清图像分析、多轮对话生成、网页创建等任务，并通过特殊算法优化输出质量，在多个基准测试中表现卓越。

LGM - 多视图高斯模型实现高质量3D内容创建

3D内容创建GithubLGM多视图开源项目高分辨率高斯模型

LGM是一种大规模多视图高斯模型,用于创建高分辨率3D内容。该模型可将文本或图像转换为高质量3D模型,并支持快速推理和训练。项目开源了完整代码、预训练权重和演示应用,为3D内容创作提供了实用工具。LGM在3D重建的精度和效率上有显著提升,推动了计算机图形学和视觉领域的发展。

SoM - 创新视觉提示技术提升GPT-4V图像理解能力

GPT-4VGithubSet-of-Mark图像分割开源项目视觉推理视觉提示

Set-of-Mark (SoM)通过在图像上叠加可定位标记，增强GPT-4V的视觉理解能力。该技术改善了模型在多种视觉任务中的表现，实现跨图像引用、问题解决和知识共享等应用。SoM为视觉AI领域开辟新方向，使GPT-4V能更准确地分析复杂视觉信息。

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。

paligemma-3b-mix-224 - 视觉语言模型PaliGemma实现多语言图像理解与文本生成

GithubHuggingfacePaliGemma图像理解多任务处理开源项目模型自然语言生成视觉语言模型

PaliGemma-3b-mix-224是一款基于SigLIP和Gemma的视觉语言模型,可同时处理图像和文本输入并生成多语言文本输出。该模型在图像字幕、视觉问答、文本阅读、目标检测等任务中表现优异。采用33亿参数的Transformer架构,经大规模多语言数据预训练,通过微调可适用于多种视觉语言应用场景。

GLaMM-GranD-Pretrained - 基于GranD数据集的区域级理解和分割预训练模型

GLaMM-GranD-PretrainedGithubHuggingface图像分割大规模数据集开源项目模型深度学习计算机视觉

GLaMM-GranD-Pretrained是基于GranD数据集预训练的模型，专注于区域级理解和分割掩码生成。GranD数据集包含7.5百万个独特概念和810百万个带分割掩码的区域，通过自动化注释流程生成。该模型为计算机视觉任务提供高级像素分割能力。研究者可通过GitHub或Hugging Face获取模型，并参考相关论文和项目页面深入了解。

paligemma-3b-mix-448 - 基于SigLIP和Gemma的多语言视觉语言模型

GithubHuggingfacePaliGemma图像处理多语言开源项目微调模型视觉语言模型

PaliGemma是一款基于SigLIP视觉模型和Gemma语言模型的视觉语言模型，采用3B参数的Transformer架构。该模型支持多语言输入输出，可用于图像描述、视觉问答和文本识别等任务。PaliGemma在多个大规模数据集上经过预训练，并通过严格的数据过滤确保了训练数据质量。模型适用于各类视觉语言任务的微调，在多项基准测试中展现了优异性能。

ELLA - 大语言模型辅助扩散模型实现增强语义对齐

ELLAEMMAGithub多模态技术开源项目文本生成图像语义对齐

ELLA项目将大语言模型与扩散模型结合，提高了图像生成的语义对齐能力。通过LLM注释的合成标题训练，ELLA实现了更准确的文本到图像转换。项目提供DPG-Bench评估基准和ComfyUI插件，并开发了支持多模态输入的EMMA模型。这些创新为图像生成领域开辟了新途径，展现了语言模型与扩散模型融合的应用前景。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

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。

CogVLM2 - 基于Llama3-8B的GPT4V级开源多模态模型

CogVLM2CogVLM2-VideoGithubMeta-Llama-3-8B-Instruct图像理解开源项目视频理解

CogVLM2是基于Meta-Llama-3-8B-Instruct的下一代模型系列，在多项基准测试中表现优异，支持中英文内容和高分辨率图像处理。该系列模型适用于图像理解、多轮对话和视频理解，特别适合需要处理长文本和高分辨率图像的场景。CogVLM2系列还支持8K内容长度，并在TextVQA和DocVQA等任务中显著提升表现。体验更先进的CogVLM2和CogVLM2-Video模型，迎接未来视觉智能挑战。

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