EVE

无编码器视觉语言模型实现高效性能

EVE项目开发了一种无编码器的视觉语言模型架构,通过高效训练策略和精选数据集实现了与现有编码器基础模型相当的性能。该模型支持任意纵横比图像输入,在多项基准测试中表现优异。EVE-7B和EVE-7B-HD两个版本在视觉语言任务中展现了强大能力,为跨模态纯解码器架构提供了高效实用的开发方法。

访问官网

VideoGPT-plus - 双编码器融合提升视频理解能力

GithubVideoGPT+人工智能多模态模型开源项目视频对话视频理解

VideoGPT+是一个创新的视频对话模型，通过集成图像和视频编码器，实现了更精细的空间理解和全局时间上下文分析。模型采用自适应池化技术处理双编码器特征，大幅提升了视频基准测试性能。项目同时推出VCG+ 112K数据集和VCGBench-Diverse基准，为视频对话任务提供全面评估。VideoGPT+在空间理解、推理和视频问答等多项任务中表现优异。

Qwen2-VL-72B-Instruct-AWQ - 强大多模态AI实现高分辨率图像和长视频深度理解

GithubHuggingfaceQwen2-VL多模态大语言模型开源项目模型视觉理解视频理解

Qwen2-VL-72B-Instruct-AWQ是一款先进的多模态AI模型，在图像和视频理解方面表现卓越。这个模型能够处理各种分辨率的图像，理解超过20分钟的长视频，并支持多语言文本识别。通过采用动态分辨率和多模态旋转位置编码等创新技术，该模型在视觉理解基准测试中展现了领先优势。Qwen2-VL作为通用视觉语言模型，可广泛应用于复杂推理和内容创作等多个领域。

llava-v1.6-vicuna-7b - 基于Vicuna的开源多模态视觉语言模型

GithubHuggingfaceLLaVA图文理解多模态大语言模型开源项目模型视觉问答

LLaVA-v1.6-vicuna-7b是一个基于Vicuna-7B开发的开源多模态模型，支持图像和文本的理解与处理。模型训练数据包含558K图文对和158K多模态指令等多样化数据集，通过12个基准测试验证其性能表现，可用于视觉语言研究与应用开发。

llava-interleave-qwen-7b-hf - 领先的多模态AI模型支持多图像视频和3D输入处理

AI对话GithubHuggingfaceLLaVA Interleave图像识别多模态模型开源项目模型自然语言处理

LLaVA Interleave是基于Qwen1.5-7B-Chat开发的多模态AI模型，支持多图像、视频和3D输入处理。模型采用transformer架构，具备4-bit量化和Flash Attention 2优化功能。目前主要面向计算机视觉、自然语言处理和人工智能领域的研究人员，仅供学术研究使用。

llava-v1.6-vicuna-7b-hf - 改进的多模态AI模型增强图像理解和常识推理能力

GithubHuggingfaceLLaVA-Next人工智能助手图像文本生成多模态模型开源项目模型视觉语言处理

LLaVA-NeXT是基于LLaVA-1.5的改进版多模态AI模型。通过增加输入图像分辨率和优化视觉指令调优数据集，该模型显著提升了OCR和常识推理能力。它结合了预训练的大型语言模型和视觉编码器，适用于图像描述、视觉问答和多模态聊天机器人等任务。LLaVA-NeXT支持动态高分辨率处理，并采用多样化、高质量的数据混合方法，从而提供更精确和全面的图像理解。

MobileVLM-1.7B - 移动设备优化的高效多模态视觉语言模型

GithubHuggingfaceMobileVLM多模态开源项目性能评估模型模型推理移动设备

MobileVLM-1.7B是一种专为移动设备设计的多模态视觉语言模型，通过多种优化技术实现高效推理，支持跨模态交互。该模型在标准基准测试中表现出色，并经过CLIP方式的预训练。在Qualcomm Snapdragon 888和NVIDIA Jeston Orin设备上的处理速度分别为每秒21.5个和65.3个令牌。

EET - Transformer模型推理加速引擎

AI模型EETGithubTransformer开源项目性能优化推理

EET是一个专注于Transformer模型的PyTorch推理加速引擎。它支持百川、LLaMA等大规模语言模型,提供int8量化功能,可在单GPU上高效运行超大模型。EET通过CUDA内核优化和量化算法显著提升多模态及NLP任务的推理性能,为Transformers和Fairseq提供开箱即用的加速方案。使用EET只需几行代码即可实现模型的高效部署与推理。

wd-eva02-large-tagger-v3 - 开源图像标签分类模型支持评级角色和通用标签

GithubHuggingfaceONNXtimm图像标注开源项目数据集模型深度学习模型

WD EVA02-Large Tagger v3是一个开源的图像标签分类模型，支持评级、角色和通用标签分类。该模型基于Danbooru数据集训练，涵盖720万张图像。采用JAX-CV和timm库实现，支持ONNX推理，兼容性强。模型在验证集上达到0.4772的F1分数，支持批量推理，并提供了timm、ONNX和JAX等多种接口示例。最新版本更新了训练数据和标签至2024年2月，适用于图像分类、内容审核等多种应用场景，为开发者提供了实用的图像分析工具。

Janus-1.3B - 提升视觉编码的灵活性与性能的多模态框架

GithubHuggingfaceJanustransformer架构多模态理解开源项目模型生成模型视觉编码

Janus是一种创新的自回归框架，通过解耦视觉编码提升多模态功能的灵活性和性能。该框架基于训练有素的DeepSeek-LLM-1.3b-base，处理了大约5000亿文本标记，并采用SigLIP-L视觉编码器实现高效图像处理。Janus在维持简单高效的设计下，达到甚至超越了任务特定模型的性能，预示着下一代统一多模态模型的可能性。

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。

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