Logo
Project Icon

MGM

多模态视觉语言模型的潜力挖掘与创新

Mini-Gemini多模态视觉语言模型AI绘图大语言模型图像理解Github开源项目

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。

访问官网访问官网GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
gemma-2-2b-it-GGUF - 一种专为低功耗设备优化，适合多种语言和代码生成的模型
GemmaGithubHuggingface多语言开源项目模型生成模型自动补全谷歌
Gemma 2 2b是Google推出的一款模型，基于Gemini技术，能有效处理多种语言、编程和数学文本。其2b参数设计适合用于低功耗边缘设备，通过优化词汇量和训练比例，提升模型性能，利用量化技术降低计算需求。适合作为自动完成功能和草稿生成工具，支持在LM Studio平台上使用。感谢Georgi Gerganov及团队的技术支持。
generative-ai-js - 使用Google DeepMind的Gemini API进行多模态数据处理的工具
Gemini APIGithubGoogle AI SDKGoogle DeepMindJavaScriptmultimodal开源项目
Google AI JavaScript SDK让开发者方便地使用Google DeepMind的Gemini API进行多模态数据处理，包括文本、图像和代码。建议仅在服务器端调用API以保护API密钥安全。项目提供了详细的使用指南和示例代码，帮助快速上手Node.js应用。查看更多有关SDK的文档和贡献指南，以确保最佳使用体验。
groundingLMM - 结合视觉分割和对话生成的多模态AI模型
GLaMMGithub图像分割多模态模型对话生成开源项目视觉基础
GLaMM是一种新型多模态AI模型，将自然语言生成与对象分割技术相结合。该模型提出了接地对话生成任务，并基于GranD数据集进行训练。GLaMM能够处理图像和区域级输入，支持视觉对话和指代表达分割等功能，为视觉语言交互提供了新的解决方案。
MiniCPM-V-2_6 - 高性能多模态语言模型 实现单图多图视频智能理解
GithubHuggingfaceMiniCPM-V人工智能图像理解多模态大语言模型开源项目模型视频理解
MiniCPM-V 2.6是一个高效的多模态大语言模型，仅用8B参数就达到了GPT-4V级别的表现。该模型支持单图、多图和视频理解，在多项基准测试中成绩优异。它具备出色的性能、多图和视频理解能力、强大的OCR功能以及多语言支持。MiniCPM-V 2.6还以其高效率和易用性著称，可轻松部署在包括手机和平板电脑在内的各种设备上。
paligemma-3b-mix-448 - 基于SigLIP和Gemma的多语言视觉语言模型
GithubHuggingfacePaliGemma图像处理多语言开源项目微调模型视觉语言模型
PaliGemma是一款基于SigLIP视觉模型和Gemma语言模型的视觉语言模型，采用3B参数的Transformer架构。该模型支持多语言输入输出，可用于图像描述、视觉问答和文本识别等任务。PaliGemma在多个大规模数据集上经过预训练，并通过严格的数据过滤确保了训练数据质量。模型适用于各类视觉语言任务的微调，在多项基准测试中展现了优异性能。
gemma-2-9b-it - Google开源轻量级语言模型支持多种文本生成
GemmaGithubHuggingface人工智能大语言模型开源项目文本生成机器学习模型
Gemma 2-9b-it是Google推出的轻量级开源大语言模型,基于Gemini技术开发。这款英语文本生成模型提供预训练和指令微调版本,适用于问答、摘要和推理等任务。其轻量级设计支持在资源受限环境部署,让更多人能够使用先进AI技术,促进创新发展。
MiniCPM-V-2 - 多模态语言模型，支持跨平台高效部署
GithubHuggingfaceMiniCPM-V场景文本理解多模态开源项目模型深度学习视觉问答
MiniCPM-V 2.0是一个多模态大模型，以高效端侧部署和可靠性为特色，支持OCRBench和TextVQA等基准测试。该模型结合RLHF多模态技术，减少幻觉生成，并能处理任意宽高比的高分辨率图像。MiniCPM-V 2.0可在多数GPU和PC上高效运行，拥有中英双语支持，并能够在移动设备上执行，提供多种部署选择。
Lumina-mGPT - 多模态AI模型实现文本到图像的灵活生成
GithubLumina-mGPT人工智能图像生成多模态开源项目自回归模型
Lumina-mGPT是一个多模态自回归模型系列，适用于多种视觉和语言任务。这个开源项目特别擅长将文本描述转化为逼真图像，提供7B和34B两种参数规模的模型，以及多种图像分辨率选项。除图像生成外，Lumina-mGPT还支持图像理解和全能型任务，为AI研究和应用开发提供了灵活的工具。
CogVLM - 开源视觉语言模型，提升图像理解与跨模态对话功能
CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试
CogVLM和CogAgent是领先的开源视觉语言模型，专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数，并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进，增添了GUI图像代理能力，支持1120*1120分辨率的图像理解，并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示，用户可以方便地进行模型推理和微调。了解更多信息，请访问项目主页。
gemma-2-2b - 轻量级文本生成模型，支持多任务应用
GemmaGithubHuggingface开源项目文本生成机器学习模型语言模型谷歌
Gemma是Google推出的开源文本生成模型，专用于问答、文本总结和推理等任务。其模型小巧，易于在笔记本或云基础设施等资源有限的环境中部署。支持多种应用场景，例如内容生成、聊天机器人、自然语言处理研究和语言学习。模型使用多样化来源的数据进行训练，覆盖广泛的语言风格和主题。
相关项目
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。

使用协议隐私政策广告服务
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