florence2-finetuning

视觉语言模型的高效微调实现

本项目展示了Florence-2模型的微调方法。Florence-2是一个基础视觉语言模型，特点是模型小且性能强。项目包含模型安装、数据准备和代码修改说明，并提供单GPU及分布式训练脚本。这些工具可用于Florence-2的特定任务训练，适用于各种计算机视觉和视觉语言任务。

Github

Huggingface

文档

论文

介绍相关项目

InternVL2-4B - 先进多模态大语言模型探索视觉语言理解新高度

GithubHuggingfaceInternVL2图像理解多模态大语言模型开源项目指令微调模型

InternVL2-4B是一个多模态语言模型,集成InternViT-300M-448px视觉编码器和Phi-3-mini-128k-instruct语言模型。该模型在文档理解、图表问答和场景文字识别等任务中表现优异,超越多数开源方案。支持8K上下文窗口,可处理长文本、多图像和视频输入,在多模态能力评测中展现与商业模型相当的性能。

Whisper-Finetune - 微调与加速Whisper模型

GithubOpenAIWhisper加速推理开源项目微调语音识别

本项目使用Lora技术微调了OpenAI的Whisper语音识别模型，并支持CTranslate2和GGML加速。模型能够进行无时间戳、有时间戳及无语音数据训练，并支持中文和98种其他语言的语音转文本及翻译。开源了多个适用于不同需求的模型，支持Windows、Android和服务器部署。提供详细的安装教程和使用说明，以及AIShell和WenetSpeech数据的评估和推理速度测试表，方便用户快速上手。

modded-nanogpt - 基于PyTorch的高效GPT-2训练器变体

GPT-2GithubNanoGPTPyTorch开源项目模型优化训练效率

Modded-NanoGPT是一个基于Andrej Karpathy的llm.c项目的GPT-2训练器变体。该项目通过引入旋转嵌入等现代技术，将训练效率提高一倍，仅需5B tokens即可达到与原版相同的验证损失。代码简化至446行，实现了124M参数的transformer模型。在Fineweb验证集上，模型达到3.2818的验证损失。通过架构调整和超参数优化，该项目在保持性能的同时显著提升了训练速度。

LLaMa2lang - 优化LLaMa3-8B模型性能，支持多语言微调和翻译

GPUGithubLLaMa3RAG开源项目翻译语言微调

LLaMa2lang提供便捷脚本，微调LLaMa3-8B模型以适应不同语言。结合RAG和翻译模型，将数据集OASST1翻译为目标语言，进行数据集成和细调，并支持推理。支持DPO和ORPO等优化方法，进一步提升模型回答质量，兼容多个基础模型与翻译架构。

blip2-flan-t5-xl - 融合视觉和语言的多功能预训练模型用于图像理解和多模态任务

BLIP-2GithubHuggingface图像描述多模态模型开源项目模型自然语言处理视觉问答

BLIP-2 Flan T5-xl是一款融合CLIP图像编码器、查询转换器和Flan T5-xl大语言模型的视觉-语言预训练模型。它擅长图像描述、视觉问答和基于图像的对话等多模态任务，在大规模图像-文本数据集上训练后展现出优秀的零样本和少样本学习能力。该模型为视觉理解和多模态应用研究提供了强大工具，但使用时需注意评估其在特定应用场景中的安全性和公平性。

Awesome_Matching_Pretraining_Transfering - 多模态模型、参数高效微调及视觉语言预训练研究进展汇总

Github参数高效微调图像文本匹配多模态模型大型模型开源项目视觉语言预训练

该项目汇总了多模态模型、参数高效微调、视觉语言预训练和图像-文本匹配领域的研究进展。内容涵盖大语言模型、视频多模态模型等多个方向，定期更新最新论文和资源。项目为相关领域的研究人员和开发者提供了系统的学习参考。

Phi-3-mini-4k-instruct - 高效节省内存的模型微调策略，快速实现量化优化

GithubHuggingfacePhi-3免费微调内存优化开源项目机器学习模型量化模型

此项目通过Unsloth量化技术，提供高效的Mistral平台大模型微调方案，速度提升至2-5倍，内存占用降低至50-70%。提供的Colab笔记本支持Phi-3、Llama 3、Gemma 2等多种模型，简单易用，适合初学者。用户可以节省计算资源，并将微调后的模型导出至GGUF或上传至Hugging Face，方便成果共享。

VILA1.5-13b - 多图像推理与跨设备应用的视觉语言模型

GithubHuggingfaceTransformerVILA多图推理多模态开源项目模型视觉语言模型

此页面介绍VILA模型，一种用于多模态研究的视觉语言模型，通过大规模图文数据预训练，提升多重推理能力。VILA支持多图像推理、情境学习，并提供更丰富的知识表现。通过AWQ 4bit量化，模型适用于Jetson Orin等边缘设备，兼顾性能与兼容性。适合计算机视觉与自然语言处理结合的研究者，支持Linux系统，具备出色的指令跟随和视觉推理能力。

flan-t5-xxl - 多语言自然语言处理的先进模型

FLAN-T5GithubHuggingface多语言模型开源项目指令微调模型自然语言处理语言生成

FLAN-T5 XXL是一款经过大规模指令微调的多语言语言模型。该模型在超过1000个涵盖多种语言的任务上进行了训练，在少样本和零样本学习方面表现卓越。在多项基准测试中，FLAN-T5 XXL展现了领先性能，例如在五样本MMLU测试中达到75.2%的准确率。这个模型可应用于翻译、问答和推理等多种自然语言处理任务，为研究人员提供了探索语言模型能力和局限性的有力工具。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

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