Logo
Project Icon

VisualRWKV

结合RWKV的创新视觉语言模型

VisualRWKV视觉语言模型RWKV预训练微调Github开源项目

VisualRWKV是一个创新的视觉语言模型，基于RWKV架构设计，可处理多样化的视觉任务。该模型采用两阶段训练策略：首先进行预训练，利用预训练数据集训练视觉编码器到RWKV的投影层；随后进行微调，通过视觉指令数据优化模型性能。项目提供完整的训练指南，涵盖数据准备、模型获取和训练流程，支持多GPU并行和不同规模RWKV模型的训练。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
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。
colqwen2-v0.1 - ColQwen2：结合ColBERT策略的先进视觉语言检索模型
ColQwen2GithubHuggingfaceQwen2-VL多向量表示开源项目文档检索模型视觉语言模型
ColQwen2是一种基于Qwen2-VL-2B的创新视觉语言模型，结合ColBERT策略实现高效文档检索。它支持动态图像分辨率输入，最多处理768个图像patch，在性能和内存需求间取得平衡。模型通过127,460对查询-页面数据训练，涵盖学术和合成数据集，重点关注英语内容，探索零样本跨语言泛化能力。ColQwen2为文本-图像检索任务提供了先进的解决方案，展现了在效率和准确性方面的显著优势。
llava-onevision-qwen2-7b-ov-hf - 支持单图多图和视频理解的多模态语言模型
GithubHuggingfaceLLaVA-Onevision人工智能图像理解多模态开源项目模型视频理解
LLaVA-Onevision-qwen2-7b-ov-hf是一个基于Qwen2微调的开源多模态大语言模型。作为首个能在单图、多图和视频场景中同时提升性能的模型，它展现了卓越的跨模态和跨场景迁移学习能力。该模型特别擅长视频理解和跨场景任务，支持多图像和多提示生成，适用于广泛的视觉理解应用。
VILA1.5-3b - 交错图像文本预训练的视觉语言模型突破
GithubHuggingfaceVILA图像文本预训练多图像推理开源项目模型视觉语言模型边缘部署
VILA1.5-3b是一款基于交错图像-文本数据预训练的视觉语言模型。它具备多图像推理、上下文学习和视觉思维链等能力,可通过AWQ 4位量化部署于边缘设备。该模型采用交错图像-文本预训练、语言模型解冻和指令数据重混合等创新技术,有效提升了视觉语言和纯文本任务性能。VILA1.5-3b支持多种硬件架构,适用于计算机视觉、自然语言处理等研究领域。
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。
openvla-7b - 基于视觉和语言的开源机器人动作生成模型
GithubHuggingfaceOpenVLA图像文本处理开源项目机器人控制机器学习模型视觉语言行为模型
OpenVLA-7B是一个开源的视觉-语言-动作模型，基于97万个机器人操作数据训练。该模型将语言指令和摄像机图像转化为机器人动作，支持多种机器人控制，并可通过微调适应新任务。OpenVLA-7B采用MIT许可证，适用于零样本指令执行和新领域迁移。
ALLaVA - GPT4V合成数据集助力轻量级视觉语言模型训练
ALLaVAGPT-4VGithub开源项目微调数据集视觉语言模型
ALLaVA项目推出大规模GPT4V合成数据集，旨在促进轻量级视觉语言模型的训练。项目发布了ALLaVA-Phi3-mini-128k、ALLaVA-StableLM2-1_6B和ALLaVA-Phi2-2_7B等多个模型版本，可直接从Hugging Face仓库加载。ALLaVA-4V数据集整合了LAION和Vision FLAN的图像标注与指令数据，以及GPT-4-Turbo生成的文本指令，总样本量超过140万。这一资源为视觉语言模型研究提供了丰富的训练数据和预训练模型，有望推动该领域的进一步发展。
Open-MAGVIT2 - 自回归视觉生成新突破 大幅提升图像分词性能
GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成
Open-MAGVIT2是一个创新的自回归视觉生成项目，采用无查找技术和262144大小的码本，克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器，在图像分词方面取得显著进展，8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展，目前处于积极开发阶段，未来计划拓展至视频生成领域。
cogvlm-chat-hf - 开源视觉语言模型CogVLM在多项跨模态基准测试中超越PaLI-X 55B
CogVLMGithubHuggingface图像识别多模态开源开源项目模型视觉语言模型
CogVLM是一款开源视觉语言模型，具有100亿视觉参数和70亿语言参数。在NoCaps、Flicker30k等10个经典跨模态基准测试中，CogVLM实现了最先进的性能，部分超越PaLI-X 55B。其架构包括视觉变换器编码器、MLP适配器、预训练语言模型和视觉专家模块。CogVLM能进行多模态对话，适用于图像描述和视觉问答等任务。该模型对学术研究开放，经登记后可免费用于商业用途。
InternVL - 开源多模态模型包提供商业级性能
GPT-4oGithubInternVLSOTA性能多模态模型开源开源项目
InternVL项目，作为一个领先的开源多模态模型套件，提供可媲美商业模型GPT-4o的性能。该项目开放源代码，支持多语种和高效OCR功能，在多个benchmark中展现出顶尖性能。该平台包括多种模型，如InternVL2-Pro和Mini-InternVL系列，适用于从聊天机器人至复杂多模态文档理解的应用场景。完备的文档资料和快速启动指南为社区成员提供便捷的使用和优化体验。
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