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

P-tuning-v2 - 深度提示调优技术提升小型模型性能媲美传统微调方法

GithubP-tuning v2参数效率开源项目提示调优深度学习自然语言处理

P-tuning v2是一种创新的提示调优策略，通过深度提示调优技术为预训练Transformer的每层输入应用连续提示。这种方法显著提升了连续提示的容量，有效缩小了与传统微调方法的性能差距，尤其在小型模型和复杂任务中表现突出。研究表明，P-tuning v2在BERT和RoBERTa等模型上取得了优异成果，在多项NLP任务中达到了与微调相当的水平，为发展参数高效的模型调优技术开辟了新途径。

LLaVA - 提升大型语言与视觉模型的视觉指令调优

GPT-4GithubLLaVA多模态交互大型语言与视觉模型开源项目视觉指令调优

LLaVA项目通过视觉指令调优提升大型语言与视觉模型的性能，达到了GPT-4级别。最新更新包括增强版LLaVA-NeXT模型及其在视频任务上的迁移能力，以及高效的LMMs-Eval评估管道。这些更新提升了模型的多任务和像素处理能力，支持LLama-3和Qwen等不同规模的模型，并提供丰富的示例代码、模型库和数据集，方便用户快速上手和深度研究。

NVLM-D-72B-nf4 - 多模态模型NF4量化与性能优化研究

GPU内存GithubHuggingfaceNVLM-D-72B图像文本生成开源项目模型模型转换量化

NVLM-D-72B模型NF4量化转换项目利用BitsAndBytes技术实现双重量化，旨在优化性能。目前纯文本处理表现出色，但图像处理功能仍需完善。项目优化了modeling_intern_vit.py文件，提高了量化模块兼容性。模型运行需48GB以上显存，遵循CC BY-NC 4.0许可。该项目为探索大型多模态模型量化提供了宝贵经验。

Llama-3.2-90B-Vision-Instruct-FP8-dynamic - 基于Meta-Llama架构的FP8量化多语言视觉对话模型

GithubHuggingfaceLlama-3.2vLLM人工智能开源项目模型模型量化视觉语言模型

这是一个基于Meta-Llama-3.2架构开发的视觉语言模型，包含900亿参数。通过FP8量化技术优化，将模型存储空间和GPU内存需求降低约50%。模型支持图像理解和多语言文本生成，主要应用于智能对话系统。借助vLLM后端可实现高效部署和OpenAI兼容服务。

whisper-medium-fleurs-lang-id - Whisper Medium微调模型实现多语言音频识别

FLEURS数据集GithubHuggingfaceWhisper开源项目模型模型微调语言识别语音识别

该模型是对openai/whisper-medium在FLEURS数据集上进行微调的版本，专注于多语言识别任务。经过3轮训练后，模型在评估集上实现了88.05%的准确率。采用Adam优化器和线性学习率调度器，模型性能得到显著提升。这一成果为音频语言识别应用提供了有力工具，可应用于多语种环境下的语音分析和处理。这一模型在多语言环境下的语音转写、实时翻译等领域具有广阔应用前景。相比原始Whisper Medium模型，该微调版本在特定语言识别任务上表现更为出色，为跨语言交流和音频内容分析提供了更精准的工具支持。

open_flamingo - 开源多任务视觉语言模型，支持图像文本生成和多模态训练

DeepMindGithubMultimodalOpenFlamingoPyTorchVision-Language Model开源项目

该项目提供了DeepMind Flamingo的PyTorch开源实现，用于训练和评估多任务视觉语言模型。OpenFlamingo处理多模态数据集，通过跨模态注意力层结合预训练视觉编码器和语言模型，实现图像和文本条件下的文本生成。用户可通过详细的安装和使用指南快速上手，并访问多个预训练模型和权重。项目欢迎社区贡献和反馈，支持多种语言和视觉编码器，适用于多种应用场景。

falcon-11B-vlm - 11B参数增强型视觉语言模型，提升细节图像理解与文本生成

Falcon2-11B-vlmGithubHuggingfacePyTorch 2.0图像文本数据大规模语言模型开源项目模型视觉语言模型

Falcon2-11B-vlm是一款11B参数的模型，通过超过5000B RefinedWeb数据训练，结合预训练的CLIP ViT-L/14视觉编码器，专注于增强小物件细节感知及高分辨率图像处理。该模型适用于多种视觉语言研究，特别是在细节复杂的图像理解任务中表现出色。其使用TII Falcon License 2.0许可，提倡负责任的AI使用。

VILA1.5-3b-s2 - 多模态视觉语言模型VILA支持边缘设备和多图像处理

GithubHuggingfaceVILA图像文本处理多模态模型开源项目模型视觉语言模型边缘计算

VILA1.5-3b-s2是一个基于交错图像-文本数据预训练的视觉语言模型。它具备多图像处理能力，通过AWQ 4位量化可部署于边缘设备。该模型在多图像推理、上下文学习和视觉思维链等方面表现突出，同时保持优秀的文本处理性能。VILA1.5-3b-s2为多模态模型和聊天机器人研究提供了有力支持。

ml-engineering - 大规模语言模型与多模态模型的训练方法

BLOOM-176BContextual.AIGithubHuggingFaceLarge Language ModelsVLM开源项目

本指南系统介绍了方法、工具和逐步操作说明，帮助工程师成功训练大规模语言模型（LLM）和多模态模型（VLM）。内容涵盖丰富的脚本和命令，适合LLM/VLM训练工程师和操作员使用。基于作者在开源BLOOM-176B和IDEFICS-80B模型训练中的经验，提供有效解决方案，并持续更新，服务于ML社区。

optimized-gpt2-1b - GPT-2架构优化模型提供高效可扩展的自然语言处理功能

GithubHuggingfacetransformers人工智能开源项目机器学习模型模型卡自然语言处理

optimized-gpt2-1b是一个基于GPT-2架构优化的大规模语言模型。该模型在保持GPT-2性能的基础上，通过架构和训练方法的优化提高了效率和可扩展性。它可应用于文本生成、摘要和问答等多种自然语言处理任务。模型支持直接使用或针对特定需求进行微调。项目提供了使用说明和评估结果，有助于研究人员和开发者更好地理解和应用这一语言模型。

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