Project Icon

fuyu-8b

无需图像编码器的轻量级多模态开源模型

Fuyu-8B是Adept AI开发的开源多模态模型,基于decoder-only transformer架构设计。模型无需图像编码器即可处理任意分辨率图像,处理速度在100毫秒以内。在图表解析、UI交互和视觉定位等任务中展现稳定性能,同时在标准图像理解测试中表现良好。作为基础模型,适合通过微调来满足不同场景需求。

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-llama-3-8b-v1_1-gguf - 基于Llama-3的8B参数多模态模型实现图文交互
GithubHuggingfaceLLaVAXTuner图像理解大模型微调开源项目模型视觉语言模型
这是一个基于Llama-3和CLIP视觉模型构建的多模态系统,采用GGUF格式优化部署效率。模型在MMBench、CCBench等多个基准测试中展现了优秀的图像理解和文本生成能力。通过ollama或llama.cpp框架,可实现快速本地部署和图文交互功能。
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。
JetMoE - 低成本高性能的开源AI语言模型
GithubJetMoE低成本大语言模型开源开源项目性能
JetMoE-8B是一款开源大语言模型,以低于10万美元的成本实现了超越LLaMA2-7B的性能。该模型仅使用公开数据集训练,完全开源,适合学术研究。在推理时,JetMoE-8B只激活22亿参数,显著降低计算成本。多项基准测试结果表明,该模型表现优异,展现了AI领域低成本高效能开发的新可能。
Gemini - Gemini多模态变换器,支持图像和音频解析
GeminiGithubTransformer图像嵌入多模态开源项目音频处理
Gemini项目实现了一个可处理文本、音频、图像和视频输入的多模态变换器,具备特殊解码功能来生成图像。其架构类似于Fuyu,但扩展至多种模态,并通过直接将图像嵌入输入变换器来处理。组件Codi也采用条件生成策略,初步实现图像嵌入,后续将集成音频和视频嵌入。
octo - 基于transformer的通用机器人控制策略
AI模型GithubOcto开源项目微调机器人政策预训练模型
Octo是一个基于transformer的扩散策略模型,通过80万条多样化机器人轨迹数据训练而成。该模型支持多个RGB相机输入,可控制各种机器人手臂,并接受语言命令或目标图像指令。其模块化注意力结构使其能高效迁移至新的传感器输入、动作空间和形态。项目提供预训练模型、微调脚本和评估示例,便于研究人员进行深入开发和应用。
SEED-X - 统一多粒度理解与生成的多模态AI模型
AI助手GithubSEED-X图像编辑多模态模型开源项目指令微调
SEED-X是一个多功能的多模态基础模型,经过指令微调后可应用于各种实际场景。该模型整合了多粒度的理解和生成能力,能够满足多样化的用户需求。SEED-X既可作为交互式设计工具生成和编辑图像,又能充当智能助手理解各种尺寸的图像并提供相关建议。项目已开源模型、指令微调代码和推理代码,同时提供在线演示。
i-Code - 打造集成可组合的多模态人工智能框架
GithubProject i-Code基础模型多模态人工智能开源项目文档智能视觉问答
i-Code是一个致力于多模态人工智能研究的开源项目。它提供了多个版本的多模态基础模型,包括i-Code V1、V2和V3(CoDi),以及i-Code Studio框架。项目还涉及多模态文档智能和基于知识的视觉问答技术。i-Code为AI领域提供了集成视觉、语言和语音的多模态工具,促进了人工智能的跨领域发展。
ml-fastvit - 高效混合视觉Transformer模型用于图像分类
FastViTGithub图像分类开源项目模型性能结构重参数化视觉Transformer
FastViT是一种采用结构重参数化技术的混合视觉Transformer模型。该模型在ImageNet-1K数据集上实现了准确率和延迟的良好平衡,提供多个变体以适应不同应用场景。FastViT在iPhone 12 Pro上的基准测试显示出优秀的移动端性能。项目开源了预训练模型、训练评估代码和使用文档。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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