Project Icon

ml-ferret

高级多模态语言模型实现精细指代和定位

Ferret是一个端到端多模态大语言模型,支持任意形式的指代并能在响应中定位内容。通过混合区域表示和空间感知视觉采样器,实现了细粒度和开放词汇的指代与定位。项目提供GRIT数据集和Ferret-Bench评估基准,为多模态模型研究提供重要资源。

llm-finetuning - Modal和axolotl驱动的大语言模型高效微调框架
DeepSpeedGithubLLM微调LoRAModalaxolotl开源项目
这个开源项目整合了Modal和axolotl,为大语言模型微调提供了一个高效框架。它采用Deepspeed ZeRO、LoRA适配器和Flash Attention等先进技术,实现了高性能的模型训练。该框架支持云端部署,简化了资源管理流程,并可灵活适配不同模型和数据集。项目还提供了全面的配置说明和使用指南,方便开发者快速上手和定制化应用。
Lemur - Lemur:同时具备自然语言与编程能力的开放语言模型
GithubLemur开放源码开源项目编码能力自然语言模型语言代理
Lemur项目优化了自然语言和编程技能,旨在成为多功能语言代理的基础。通过预训练和指令微调,Lemur在语言和编程基准测试中表现出色,缩小了开源与商业模型的差距。用户可以访问和使用Lemur-70B和Lemur-70B-Chat模型,实现文本和代码生成。项目由XLang Lab与Salesforce Research合作支持,适用于多种应用场景,包括工具使用和环境反馈的适应,并覆盖广泛的语言和交互代理技能评估。
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。
OmniFusion - 整合多模态数据的先进人工智能系统
GithubOmniFusion图像处理多模态AI模型开源项目深度学习自然语言处理
OmniFusion是一个整合多模态数据的人工智能系统,基于Mistral-7B核心和CLIP-ViT-L视觉编码器。通过创新的适配器机制,该系统能够处理图像等多种数据形式,在图像描述和视觉问答等任务中展现出优秀性能。OmniFusion由AIRI研究所FusionBrain团队与Sber AI合作开发,目前主要处理图像数据,未来计划扩展到音频等更多模态。
Visual-Chinese-LLaMA-Alpaca - 多模态中文模型VisualCLA开发与优化技术
CLIP-ViTChinese-Alpaca-PlusGithubLLaMAVisual-Chinese-LLaMA-Alpaca多模态模型开源项目
VisualCLA基于中文LLaMA/Alpaca模型,增加图像编码模块,实现图文联合理解和对话能力。目前发布测试版,提供推理代码和部署脚本,并展示多模态指令理解效果。未来将通过预训练和精调优化,扩展应用场景。
mllm - 轻量级移动设备多模态大语言模型推理引擎
AI推理引擎Githubmultimodal LLM开源项目移动设备边缘计算量化
mllm是一款针对移动和边缘设备优化的多模态大语言模型推理引擎。该引擎采用纯C/C++实现,无外部依赖,支持ARM NEON和x86 AVX2指令集,并提供4位和6位整数量化。开发者可利用mllm构建智能个人助理、基于文本的图像搜索、屏幕视觉问答等移动应用,实现本地推理而无需上传敏感数据。
cogvlm-chat-hf - 开源视觉语言模型CogVLM在多项跨模态基准测试中超越PaLI-X 55B
CogVLMGithubHuggingface图像识别多模态开源开源项目模型视觉语言模型
CogVLM是一款开源视觉语言模型,具有100亿视觉参数和70亿语言参数。在NoCaps、Flicker30k等10个经典跨模态基准测试中,CogVLM实现了最先进的性能,部分超越PaLI-X 55B。其架构包括视觉变换器编码器、MLP适配器、预训练语言模型和视觉专家模块。CogVLM能进行多模态对话,适用于图像描述和视觉问答等任务。该模型对学术研究开放,经登记后可免费用于商业用途。
InferLLM - 轻量化语言模型推理框架,兼容多种模型格式和设备
GithubInferLLMllama.cpp多模型兼容开源项目模型推理高效率
InferLLM 是一个高效简洁的语言模型推理框架,源于 llama.cpp 项目。主要特点包括结构简单、高性能、易于上手,并支持多模型格式。目前兼容 CPU 和 GPU,可优化 Arm、x86、CUDA 和 riscv-vector,并支持移动设备部署。InferLLM 引入了专有 KVstorage 类型以简化缓存和管理,适合多种应用场景。最新支持的模型包括 LLama-2-7B、ChatGLM、Alpaca 等。
FuseAI - 多模型知识融合提升大语言模型性能
FuseChatFuseLLMGithub大语言模型开源模型开源项目知识融合
FuseAI项目通过知识融合技术整合多个开源大语言模型的优势,开发出高性能新模型。FuseChat-7B-VaRM在MT-Bench评测中得分8.22,超过多个知名对话模型;FuseLLM-7B在多项任务中表现优于Llama-2-7B。该项目为大语言模型研究提供了新的发展方向。
VTimeLLM - 创新视频大语言模型实现精准时刻理解
GithubVTimeLLM多阶段训练大语言模型开源项目时间边界感知视频理解
VTimeLLM是一种先进的视频大语言模型,专注于精细化视频时刻理解和推理。该模型采用边界感知三阶段训练策略,包括图像-文本特征对齐、多事件视频时间边界识别和高质量视频指令微调。这种方法显著提升了模型的时间理解能力,使其在多项视频理解任务中表现优异。
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