Project Icon

MGM

多模态视觉语言模型的潜力挖掘与创新

Mini-Gemini项目探索多模态视觉语言模型的新可能。该项目支持2B至34B规模的大语言模型,实现图像理解、推理和生成功能。基于LLaVA构建的Mini-Gemini提供完整资源,包括预训练权重、数据集和评估基准。通过双视觉编码器和patch信息挖掘等技术创新,Mini-Gemini实现了文本与图像的深度融合。

VisionLLM - 面向视觉任务的开放式多模态大语言模型
GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉
VisionLLM 系列是一种多模态大语言模型,专注于视觉相关任务。该模型利用大语言模型作为开放式解码器,支持数百种视觉语言任务,包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性,扩展了其在多模态应用场景中的能力,推动了计算机视觉与自然语言处理的融合。
VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型
GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调
VisualGLM-6B是一个开源多模态对话语言模型,具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础,增添了6.2亿参数,整合了先进的BLIP2-Qformer技术,达到了语言和视觉数据的高效融合。模型总参数量为7.8亿,展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化,支持在消费级显卡上运行,降低了使用门槛,拓展了其在学术研究和实务应用中的潜力。
gemma-2B-10M - Gemma 2B模型实现1000万token上下文处理 仅需32GB内存
Gemma 2BGithub内存优化局部注意力开源项目推理优化长上下文
gemma-2B-10M项目采用递归局部注意力机制,在32GB内存限制下实现了处理1000万token上下文的能力。该项目为Gemma 2B模型提供CUDA优化的推理功能,显著提升了处理效率。项目设计简洁易用,便于开发者快速应用。虽然目前处于早期阶段,但在长文本处理领域展现出巨大潜力,有望推动相关技术的进步。
paligemma-3b-pt-224 - 基于SigLIP和Gemma的多功能视觉语言模型
GithubHuggingfacePaliGemma图像处理多语言开源项目模型自然语言处理视觉语言模型
PaliGemma是一款结合SigLIP视觉模型和Gemma语言模型的视觉语言模型。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像字幕、视觉问答、文本阅读、物体检测等多种视觉语言任务中表现优异。模型采用Transformer架构,拥有30亿参数,经过大规模多语言数据预训练,可通过微调应用于特定任务。
gemma-2b-it - Google开源轻量级语言模型 适用于资源受限环境
GemmaGithubHuggingface人工智能大型语言模型开源项目机器学习模型自然语言处理
Gemma-2b-it是Google开源的轻量级指令调优语言模型,采用2B参数设计。该模型支持问答、摘要和推理等多种文本生成任务,适用于笔记本电脑等资源受限环境。Gemma-2b-it在英语环境下表现出色,开放权重为AI创新提供更多可能。该模型基于Gemini技术,是Google推动AI民主化的重要举措。
gemma-2-2b-it - Google开发的2B参数轻量级语言模型用于多种文本生成
GemmaGithubHuggingface人工智能大语言模型开源项目机器学习模型自然语言处理
gemma-2-2b-it是Google基于Gemini技术开发的轻量级开源语言模型。这个2B参数的指令微调模型适用于问答、摘要和推理等文本生成任务。模型体积小巧,可在资源受限环境部署,为开发者提供AI能力。采用英语训练并支持开放权重,有助于促进AI技术创新和应用。
paligemma-3b-mix-224 - 视觉语言模型PaliGemma实现多语言图像理解与文本生成
GithubHuggingfacePaliGemma图像理解多任务处理开源项目模型自然语言生成视觉语言模型
PaliGemma-3b-mix-224是一款基于SigLIP和Gemma的视觉语言模型,可同时处理图像和文本输入并生成多语言文本输出。该模型在图像字幕、视觉问答、文本阅读、目标检测等任务中表现优异。采用33亿参数的Transformer架构,经大规模多语言数据预训练,通过微调可适用于多种视觉语言应用场景。
gemma-2-27b - Google开源的轻量级高性能语言模型Gemma
GemmaGithubHuggingface人工智能大语言模型开源项目机器学习模型自然语言处理
Gemma-2-27b是Google基于Gemini技术推出的开源语言模型,采用解码器架构设计。模型支持问答、摘要、推理等多种文本生成任务,能在笔记本电脑等资源受限环境运行。模型参数量为270亿,采用130亿token训练数据,在MMLU等多项基准测试中表现优异。该项目开源了预训练和指令微调两个版本,并提供完整的部署和使用文档。
MG-LLaVA - 融合多粒度视觉特征的大语言模型
GithubMG-LLaVA多模态大语言模型多粒度视觉指令调优开源项目性能提升视觉处理
MG-LLaVA是一种创新的多模态大语言模型,通过整合低分辨率、高分辨率和物体中心特征,显著提升了视觉处理能力。模型引入高分辨率视觉编码器捕捉细节,并利用Conv-Gate网络融合视觉特征。同时集成离线检测器的物体级特征,增强了物体识别能力。仅基于公开多模态数据进行指令微调,MG-LLaVA在多项基准测试中展现出优异的感知表现。
Multimodal-GPT - 整合视觉与语言功能的多模态对话机器人
GithubOpenFlamingo多模态GPT开源项目联合训练视觉指令语言模型
Multimodal-GPT是一个基于OpenFlamingo多模态模型的项目,通过结合视觉指令和语言指令数据的联合训练,有效提升模型性能。该项目支持VQA、图像描述、视觉推理、文本OCR和视觉对话等多种数据类型,并利用LoRA进行参数高效的微调。探索Multimodal-GPT的广泛应用可能性。
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