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
Llama-3.2-11B-Vision - Meta开发的多模态大语言模型 支持视觉识别和图像推理
GithubHuggingfaceLLAMA 3.2多模态模型开源项目机器学习模型自然语言处理计算机视觉
Llama-3.2-11B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入、文本输出。该模型在视觉识别、图像推理、图像描述和通用图像问答方面表现出色。它基于Llama 3.1文本模型构建,采用优化的Transformer架构,通过监督微调和人类反馈强化学习进行对齐。模型支持128K上下文长度,经过60亿(图像,文本)对训练,知识截止到2023年12月。Llama-3.2-11B-Vision为商业和研究用途提供视觉语言处理能力。
moondream1 - 轻量级视觉语言模型 强大性能与高效结构的完美结合
GithubHuggingfacemoondream1人工智能图像识别开源项目模型深度学习视觉问答
moondream1是一个包含1.6B参数的视觉语言模型，基于SigLIP、Phi-1.5和LLaVa训练数据集开发。尽管规模较小，该模型在VQAv2和GQA等基准测试中展现出接近大型模型的性能。moondream1能够解析图像内容，回答相关问题，并生成详细描述。该开源项目仅限于研究用途，不可用于商业应用。研究人员可通过简洁的Python代码实现图像理解和问答功能。
internlm-xcomposer2d5-7b-4bit - 简化大型语言模型的文本与图像处理新纪元
4位量化模型GithubHuggingfaceInternLM-XComposer开源项目文本图像理解模型视频理解长上下文能力
InternLM-XComposer2.5在文本与图像理解领域展现非凡性能，其应用灵活性媲美GPT-4V，仅靠7B参数即可完成复杂任务。模型通过24K图文上下文训练与96K扩展能力，适用于大量输入输出任务。此外，项目提供了4-bit量化模型来有效降低内存消耗，并支持使用Transformers快速集成，涵盖从视频理解到多图对话的多种应用场景。
Awesome-Multimodal-Large-Language-Models - 多模态大语言模型研究资源与最新进展汇总
Github多模态大语言模型开源项目指令微调模型评估视觉语言模型视频理解
该项目汇总了多模态大语言模型(MLLMs)领域的最新研究成果，包括论文、数据集和评估基准。涵盖多模态指令微调、幻觉、上下文学习等方向，提供相关代码和演示。项目还包含MLLM调查报告及MME、Video-MME等评估基准，为研究人员提供全面参考。
Llama-3.1-Unhinged-Vision-8B-GGUF - 新的多模态内容处理AI模型
GithubHuggingfaceLM StudioMeta Llama 3.1上下文多模态开源项目模型
此项目结合了Meta Llama 3.1 8B和mmprojector模型，具备128K上下文能力，可以在对话中准确区分多幅图像。这一模型已在LM Studio中应用，为复杂视觉数据处理提供了支持。
LLaMA-VID - 支持长视频处理的多模态大语言模型
GithubLLaMA-VID多模态大语言模型开源项目视觉语言模型视频理解
LLaMA-VID是一个新型多模态大语言模型,可处理长达数小时的视频。它通过增加上下文令牌扩展了现有框架的能力,采用编码器-解码器结构和定制令牌生成策略,实现对图像和视频的高效理解。该项目开源了完整的模型、数据集和代码,为视觉语言模型研究提供了有力工具。
bge-multilingual-gemma2 - 基于Gemma 2架构的多语言文本嵌入模型
GithubHuggingfaceMTEB句子相似度多语言开源项目检索模型评估指标
bge-multilingual-gemma2是基于Gemma 2架构开发的多语言文本嵌入模型。该模型在MTEB NFCorpus、MSMARCO、FiQA2018等多个检索任务数据集上表现优异。它能有效处理多语言文本并生成高质量语义表示，适用于信息检索、句子相似度计算等自然语言处理任务。在MTEB FEVER数据集上，该模型的主要评分达90.38，展现出较强的检索能力。
InternLM-XComposer - 多模态视觉语言模型实现超高分辨率理解与多场景交互
GithubInternLM-XComposer-2.5多回合多图对话多模态大语言模型开源项目网页制作高分辨率图像理解
InternLM-XComposer-2.5是一款高级多模态视觉语言模型，能处理高达96K的复杂图文背景。该模型优秀适用于超高清图像分析、多轮对话生成、网页创建等任务，并通过特殊算法优化输出质量，在多个基准测试中表现卓越。
Llama-3.2-90B-Vision - 前沿视觉语言模型助力图像识别和推理
GithubHuggingfaceLlama 3.2Meta多模态大语言模型开源项目模型自然语言处理计算机视觉
Llama-3.2-90B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入并输出文本。该模型在视觉识别、图像推理、描述和问答等任务中表现优异,性能超越多个开源和闭源多模态模型。基于Llama 3.1文本模型,通过视觉适配器实现图像理解,支持128K上下文长度。经指令微调后可用于商业和研究,适用于多种视觉语言任务。使用需遵守Llama 3.2社区许可协议。
Generative-AI - 多模态图像合成与编辑技术及其分类
Data ModalityGenerative AIGithubMultimodal Image Synthesis and EditingTaxonomyVisual AIGC开源项目
该项目附有一篇综述论文，全面分析了多模态图像合成与编辑（MISE）和视觉AIGC的发展情况，并根据数据模态和模型架构进行了分类研究。通过此项研究，科研人员和技术开发者可以深入了解神经渲染、扩散方法、自回归方法及对抗生成网络（GAN）等不同技术及其应用，帮助更好地掌握多模态图像合成技术的前沿进展与实际应用。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

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