VideoMamba

突破性的视频理解状态空间模型

VideoMamba 视频理解状态空间模型长期视频建模多模态兼容性 Github 开源项目

VideoMamba是一种创新的视频理解模型，克服了现有技术的局限性。它能高效处理长视频和高分辨率内容，展现出可扩展性、短期动作识别敏感性、长期视频理解优势和多模态兼容性四大核心特点。VideoMamba为全面的视频理解任务提供了高效解决方案，推动了该领域的发展。

dolphin - 通用视频互动平台，基于大型语言模型的视频理解、处理与生成

DolphinGithub大型语言模型开源项目视频处理视频理解视频生成

Dolphin是一个基于大型语言模型的通用视频互动平台，专注于视频理解、处理和生成。该平台支持视频问答、视频剪辑、字幕添加、音频提取及生成等功能，旨在提升视频处理的智能化水平。用户可通过文本生成视频、姿态到视频转换及视频图像转换等多种方式进行创作。项目持续更新，欢迎社区贡献和拉取请求，适用于北航和南洋理工大学的科研项目。

MotionCtrl - 视频生成中的动作控制统一解决方案

AIGithubMotionCtrl动作控制开源项目腾讯视频生成

MotionCtrl是一个统一的视频生成动作控制系统，可独立调节生成视频中的相机和物体运动。该项目兼容SVD、VideoCrafter和AnimateDiff等多个视频生成模型，并提供训练代码、推理脚本和在线演示。通过MotionCtrl，研究人员和内容创作者能够更精确地控制生成视频的动作效果，从而提高视频生成的质量和灵活性。

VideoSwap - 通过语义点对应技术实现自定义主体替换的新型视频编辑框架

GithubVideoSwap开源项目扩散模型自定义概念视频主体替换语义点对应

VideoSwap是一种新型视频编辑框架，通过语义点对应技术实现自定义主体替换，同时保持背景不变。该方法支持用户交互，可对齐主体运动轨迹并修改形状。相比现有技术，VideoSwap在真实视频中展现出优越的主体替换效果，为视频编辑开辟新方向。

CogVideo - 开源视频生成模型，支持高效单GPU推理

CogVideoXGithubICLR'23开源项目文本到视频视频生成

CogVideoX和CogVideo通过大规模预训练模型和3D因果VAE技术，实现高质量的文本到视频生成。CogVideoX-2B可在单个3090 GPU上进行推理，生成效果几乎无损。提供详尽的快速入门指南、模型结构介绍和使用案例。探索CogVideoX和CogVideo在Huggingface、WeChat、Discord等平台上的应用，获取更多技术细节和更新。

Awesome-Video-Diffusion-Models - 视频扩散模型研究进展与开源资源综述

Github开源工具箱开源项目数据集文本到视频生成视频生成模型评估指标

本文综述了视频扩散模型领域的研究进展和开源资源。内容包括最新工具箱、基础模型、数据集和评估指标,涵盖文本到视频生成、视频编辑和理解等多个方向。文章系统梳理了该领域的关键技术和资源,为研究人员和开发者提供全面参考,有助于推动视频生成和处理技术的发展。

mamba-130m-hf - 轻量级Mamba模型为序列建模提供高效替代方案

GithubHuggingfaceMambaPEFT微调transformers开源项目模型模型部署生成模型

mamba-130m-hf是基于Mamba架构的轻量级语言模型，专为因果语言建模设计。该模型与Transformers库兼容，支持高效文本生成和序列建模。通过创新的状态空间模型结构，mamba-130m-hf在保持较小参数量的同时展现出卓越性能。模型可用于直接文本生成，也支持通过PEFT等技术进行微调以适应特定任务。其轻量级设计和强大功能使其成为序列建模任务的理想选择。

Tarsier-7b - 开源大规模视频语言模型，提升视频描述和理解能力

GithubHuggingfaceTarsier人工智能开源项目机器学习模型视频描述计算机视觉

Tarsier-7b是一个开放源代码的视频语言模型，专注于视频描述和理解。该模型使用两阶段的训练策略以增强性能，能够生成高质量的视频描述。训练过程包括多任务预训练和多粒度微调，并通过多种数据集进行评估，从而保证出色性能。适合从事计算机视觉与自然语言处理研究的研究人员和爱好者使用，可在相关平台获取更多信息。

Panda-70M - 开创性大规模视频描述数据集融合多重跨模态技术

GithubPanda-70M开源项目数据集深度学习视频描述计算机视觉

Panda-70M是一个包含7000万个高质量视频-描述对的大规模数据集，采用多重跨模态技术构建。项目提供数据集加载下载工具、长视频语义分割和视频描述模型。该数据集为计算机视觉和自然语言处理研究提供丰富资源，有助于推进视频理解和描述技术的发展。

LWM - 百万级上下文多模态AI模型突破性成果

GithubLarge World ModelRingAttention多模态模型开源项目视频处理长文本理解

Large World Model (LWM)是一种创新的多模态AI模型，具备百万级上下文处理能力。LWM通过分析大规模视频和文本数据，实现了语言、图像和视频的综合理解与生成。该项目开源了多个模型版本，支持处理超长文本和视频，在复杂检索和长视频理解等任务中表现出色，为AI技术发展提供了新的可能性。

Monkey - 利用高分辨率图像和优质文本标签增强多模态模型性能

GithubMonkey图像分辨率多模态模型开源项目文本标签视觉问答

Monkey是一个开源的多模态大模型项目，通过提高图像分辨率和优化文本标签来改善模型性能。该项目在MMBench、CCBench和MME等基准测试中表现优异。Monkey提供完整的模型定义、训练代码和演示系统，支持离线和在线部署。此外，项目还开源了多级描述生成数据集，并提供了针对多个视觉问答数据集的评估工具，方便研究人员进行实验和改进。

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