Project Icon

Retrieval-Augmented-Visual-Question-Answering

细粒度后期交互多模态检索视觉问答系统

这个项目开发了一个基于细粒度后期交互多模态检索的视觉问答系统。系统在OK-VQA等多个基准数据集上实现了先进的检索和问答性能。它采用模块化架构,包含预训练映射网络、FLMR检索器和BLIP2读取器等关键组件。项目提供完整的代码库,支持训练和评估,并发布了预训练模型和处理后的数据集,便于研究人员进行后续研究。

llava-v1.5-13b - 基于LLaMA的开源多模态AI模型 支持图像理解与对话
GithubHuggingfaceLLaVA人工智能研究图像文本处理多模态模型开源项目模型语言模型
LLaVA-v1.5-13B是一个基于LLaMA和Vicuna微调的开源多模态AI模型。该模型能够理解图像并进行自然语言对话,支持多种视觉问答任务。LLaVA于2023年9月发布,主要面向计算机视觉和自然语言处理领域的研究人员。在12个基准测试中,LLaVA展现了出色的图像理解和指令遵循能力,为多模态AI研究提供了有价值的开源资源。
nanoLLaVA - 轻量级视觉语言模型实现边缘设备高效部署
GithubHuggingfacenanoLLaVA人工智能多模态开源项目机器学习模型视觉语言模型
nanoLLaVA是一款1B级视觉语言模型,结合Quyen-SE和SigLIP视觉编码器技术。该模型在VQA v2和TextVQA等视觉问答测试中表现优异,同时优化了在边缘设备上的运行效率。nanoLLaVA采用ChatML标准,支持图像描述和视觉问答功能,并提供简洁的API接口,方便开发者集成到不同应用场景。
Qwen2-VL-7B-Instruct-AWQ - 先进视觉语言模型实现多分辨率图像和长视频理解
GithubHuggingfaceQwen2-VL图像理解多模态开源项目模型视觉语言模型视频理解
Qwen2-VL-7B-Instruct-AWQ是一款支持多分辨率图像和长视频理解的视觉语言模型。该模型在视觉理解基准测试中表现出色,具备复杂推理和决策能力,可应用于移动设备和机器人自动操作。模型支持多语言处理,采用动态分辨率和多模态旋转位置嵌入等技术,显著提升了多模态处理能力。
RAG-Survey - AI内容生成中的增强检索方法全面指南
AI生成内容GithubRAGRetrieval-Augmented Generation大型语言模型开源项目知识增强
深入探索增强检索技术如何推动AI内容生成的进步。RAG-Survey项目综合最新研究,涵盖查询基准、潜在表达式和逻辑基础RAG等多种方法,持续更新其调研报告和文献库。项目专注于提升检索增强生成模型,精准高效地应用于开放域问答、代码生成等多个AI领域。
FrozenBiLM - 创新视频问答模型在零样本和少样本场景中表现优异
FrozenBiLMGithubVideoQAzero-shot多模态开源项目语言模型
FrozenBiLM是一种基于冻结双向语言模型的视频问答模型。该模型在零样本和少样本场景下表现优异,同时在标准数据集上也具有竞争力。FrozenBiLM采用跨模态训练方法,可处理填空题和开放式问答等多种视频问答任务。此外,该模型适用于无监督学习和下游任务微调,展现出较强的灵活性和适应性。
Video-LLaVA-7B-hf - 基于LLM的统一视觉模型实现图像和视频的智能处理
GithubHuggingfaceVideo-LLaVA多模态模型开源项目模型视觉识别视频分析语言模型
Video-LLaVA是一个基于Vicuna-13b的开源多模态模型,通过统一的视觉表示编码器实现图像和视频内容的并行处理。该模型采用语言对齐投影方式,无需图像-视频配对数据即可完成训练。模型支持图像和视频的混合输入,可应用于内容理解、问答和描述等视觉分析任务。
llava-onevision-qwen2-7b-ov - 基于Qwen2的多模态模型 支持图像和视频理解
GithubHuggingfaceLLaVA-OneVision图像识别多模态大语言模型开源项目模型视频理解
LLaVA-OneVision-qwen2-7b-ov是基于Qwen2开发的多模态模型,具备32K标记上下文窗口。该模型通过LLaVA-OneVision数据集训练,可理解图像、多图和视频内容。在AI2D、ChartQA、DocVQA等多个多模态基准测试中表现优异,支持英语和中文,适用于多种多模态应用场景。
llava-v1.5-7b - 融合视觉与语言的开源多模态AI模型
GithubHuggingfaceLLaVA人工智能图像文本理解多模态模型开源项目模型自然语言处理
LLaVA-v1.5-7B是一个开源的多模态AI模型,通过微调LLaMA/Vicuna实现。该模型整合了视觉和语言处理能力,能够理解图像并进行自然语言对话。LLaVA-v1.5-7B在大规模数据集上训练,包括558K图文对和158K多模态指令数据,并在12个基准测试中表现优异。这个模型主要应用于多模态大模型和聊天机器人的研究,适用于计算机视觉、自然语言处理等领域的研究人员。
Video-ChatGPT - 创新视频对话技术开启细致视频理解新纪元
GithubVideo-ChatGPT多模态大型视觉语言模型开源项目视频理解问答系统
Video-ChatGPT是一个融合大型视觉和语言模型的视频对话系统。该项目构建了10万条视频-指令对数据集,开发了首个视频对话量化评估框架,在视频推理、创意生成、空间和时间理解等任务中表现出色。这一开源项目为视频内容理解和人机交互带来了新的发展方向。
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。
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