Project Icon

h2ovl-mississippi-800m

紧凑型视觉语言模型,提供出色的文本识别功能

H2OVL-Mississippi-800M是H2O.ai推出的一款紧凑型视觉语言模型,拥有0.8亿参数,专注于OCR文本识别,表现出色。该模型在OCRBench测试中领先,超越更大规模的模型。基于H2O-Danube的架构,Mississippi-800M扩展了视觉和文本整合能力。通过1900万图文对进行训练,尤其注重OCR、文档理解以及表格和图表的解析,优化紫为OCR任务。

manga-ocr - 日本漫画光学字符识别工具,支持多种文本处理场景
GithubManga OCRPythonTransformers光学字符识别开源项目日本放送協会
Manga OCR 是一款基于Transformer的自定义端到端模型的光学字符识别工具,专为日本漫画设计。它可以识别垂直和平行文本、带有振假名的文本、覆盖在图像上的文本、各种字体以及低质量图像。Manga OCR 支持一次性识别多行文本,适用于漫画中的文本气泡。同时,该项目还提供与GUI阅读器和HTML覆盖生成工具的集成,便于用户创建完整的阅读和挖掘工作流程。
llava-onevision-qwen2-0.5b-ov-hf - 推动单图、多图和视频理解的多模态大语言模型
GithubHuggingfaceLLaVA-Onevision图像理解多模态语言模型开源项目模型视频理解计算机视觉
LLaVA-Onevision是基于Qwen2的多模态大语言模型,通过微调GPT生成的多模态指令数据训练而成。作为首个同时推动单图、多图和视频场景性能边界的模型,它展现出强大的视频理解和跨场景能力,实现了从图像到视频的任务迁移。该模型支持多图像和多提示生成,为多样化的视觉理解任务提供了灵活解决方案。
Mistral-7B-v0.1 - 超越Llama 2的开源大语言模型
GithubHuggingfaceMistral-7B大语言模型开源项目文本生成模型深度学习自然语言处理
Mistral-7B-v0.1是一个开源的大型语言模型,拥有70亿参数,性能超越Llama 2 13B。该模型采用分组查询注意力、滑动窗口注意力等创新技术,是一个强大的预训练基础模型。需注意,模型尚未包含内容审核机制,使用时需搭配Transformers 4.34.0或更高版本。
clip-vision-model-tiny - 轻量级AI图像处理与分析视觉模型
GithubHuggingfaceMIT协议代码许可开源协议开源项目模型许可证软件授权
基于MIT许可证开发的轻量级图像视觉模型,采用紧凑架构设计,具备高效的图像处理和分析能力。该开源项目适用于快速部署场景,可在资源受限环境中保持准确的图像识别表现。
OLMo-1B-0724-hf - Dolma数据集驱动的英语语言模型在性能上的进步
DolmaGithubHuggingfaceOLMo开源项目机器学习模型训练数据语言模型
OLMo 1B July 2024版本采用Dolma数据集,显著提高了HellaSwag等任务的评估表现。兼容HuggingFace Transformers v4.40及以上版本,由Allen Institute for AI开发,提供完整的代码、检查点及训练日志,支持实现文本生成与模型微调。在ARC挑战、BoolQ和HellaSwag等自然语言处理任务中表现出色,适用于研究人员和开发者在语言模型科学领域的进一步探索。
CogVLM2 - 基于Llama3-8B的GPT4V级开源多模态模型
CogVLM2CogVLM2-VideoGithubMeta-Llama-3-8B-Instruct图像理解开源项目视频理解
CogVLM2是基于Meta-Llama-3-8B-Instruct的下一代模型系列,在多项基准测试中表现优异,支持中英文内容和高分辨率图像处理。该系列模型适用于图像理解、多轮对话和视频理解,特别适合需要处理长文本和高分辨率图像的场景。CogVLM2系列还支持8K内容长度,并在TextVQA和DocVQA等任务中显著提升表现。体验更先进的CogVLM2和CogVLM2-Video模型,迎接未来视觉智能挑战。
PaddleOCR - 领先的OCR工具库,支持多语言和多硬件平台
GithubOCRPaddleOCR开源项目文本识别模型训练热门表格识别
PaddleOCR旨在为开发者提供一套丰富、领先且实用的OCR工具库,帮助开发者快速训练并部署OCR模型。它不仅支持中英文识别,还支持多语言和多硬件平台,包括最新的PP-OCRv4模型,有效提高了中英文场景下的识别精确度。适用于移动端和服务器端,适配多种开发需求。
trocr-small-handwritten - Transformer架构的手写文本识别OCR模型
GithubHuggingfaceTrOCRTransformer模型光学字符识别图像转文本开源项目手写识别模型
TrOCR-small-handwritten是一个基于Transformer架构的手写文本识别模型。它结合图像编码器和文本解码器,可将手写图像准确转换为文本。该模型在IAM数据集上微调,适用于单行文本OCR任务。模型提供简洁API,便于集成到各类应用中,实现高效的手写文本数字化。其小型结构设计使其在保持识别精度的同时,具有更快的处理速度和更低的资源消耗。
LLaVA-HR - 混合分辨率适应技术助力多模态大模型
GithubLLaVA-HR多模态大语言模型开源项目视觉语言任务高分辨率
LLaVA-HR是一个采用混合分辨率适应技术的多模态大语言模型。它支持1536x1536的高分辨率图像输入,提高了细粒度视觉语言任务的性能。该模型在保持与LLaVA-1.5相近训练成本的同时,在多个基准测试中表现出色。LLaVA-HR为研究社区提供了一个新的基线,展示了混合分辨率适应方法在提升多模态模型性能方面的潜力。
awesome-huge-models - 大型AI模型最新动态与开源资源汇总
AI训练GithubLLMdeep learning模型大模型开源开源项目
详尽介绍大型AI语言模型最新进展及开源资源,包括训练代码、数据集和预训练权重。收录Baichuan、Falcon、OpenLLaMA等模型,并关注开源与分布式训练框架如PyTorch和XLA生态。提供全面资源链接,帮助研究人员和开发者了解当前AI模型的最前沿动态。
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

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能,包括文生视频、动态画面和形象生成等,帮助用户快速上手,创造专业级内容。

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

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台,用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品,帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型,为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能,满足事务性工作的高频需求,帮助撰稿人节省精力,提高效率,优化工作与生活。

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

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