Gemini

Gemini多模态变换器，支持图像和音频解析

Gemini 多模态 Transformer 图像嵌入音频处理 Github 开源项目

Gemini项目实现了一个可处理文本、音频、图像和视频输入的多模态变换器，具备特殊解码功能来生成图像。其架构类似于Fuyu，但扩展至多种模态，并通过直接将图像嵌入输入变换器来处理。组件Codi也采用条件生成策略，初步实现图像嵌入，后续将集成音频和视频嵌入。

mmagic - 继承自MMEditing和MMGeneration的先进AIGC工具箱，支持广泛的图像与视频编辑生成任务

GithubMMEditingMMGenerationMMagic图像生成多模态智能创作开源项目

MMagic是一个继承自MMEditing和MMGeneration的先进AIGC工具箱。本项目基于OpenMMLab 2.0框架，支持广泛的图像与视频编辑生成任务，包括GAN和CNN的算法应用、稳态扩散技术等。MMagic为研究人员和AI爱好者提供灵活的实验平台，并促进创新的研究与开发。

Ovis1.6-Gemma2-9B - Ovis1.6-Gemma2-9B开源多模态大语言模型的嵌入对齐解决方案

GithubHuggingfaceOvis1.6transformers图像处理多模态大语言模型开源项目模型

Ovis1.6-Gemma2-9B是一个开源的多模态大语言模型，致力于视觉与文本嵌入的高效对齐。相比Ovis1.5，它在图像处理分辨率、数据集规模与质量上都有所提升，并通过DPO训练提高总性能。该模型在OpenCompass基准测试中展现了优异表现，支持图像和文本的多模态输入处理。更多使用指导与代码示例请访问其GitHub页面。

generative-ai-dart - 将Dart与Google Gemini API无缝集成

DartFlutterGemini APIGithubGoogle DeepMindGoogle Generative AI SDK for Dart开源项目

Google AI Dart SDK使Dart开发者能够轻松集成Gemini API。Gemini模型由Google DeepMind构建，支持跨文本、图像和代码的无缝推理。该页面提供详细的教程和示例，建议在服务器端调用API以确保API密钥安全。适用于快速原型开发和技术探索。详细文档及贡献指南可在相关链接中找到。

HunyuanDiT - 实现多分辨率扩散和细粒度中英文理解

GithubHunyuanDiT中英双语多轮对话开源开源项目文本生成图像

HunyuanDiT是一个多分辨率扩散变换器模型，具有细粒度的中英文理解能力。该模型采用优化的变换器结构、文本编码器和位置编码，通过迭代数据流程提升性能。HunyuanDiT支持多轮多模态对话，可根据上下文生成和优化图像。经专业评估，该模型在中文到图像生成方面达到开源模型的先进水平。

gemma-2-baku-2b-it - 融合指令调优与对话生成的Gemma 2模型

Chat VectorGemma 2GithubHuggingface开源项目指令微调模型模型融合转换器语言模型

该模型为rinna/gemma-2-baku-2b的优化版本，采用Chat Vector和ORPO技术，提升了指令跟随和对话生成能力。模型遵循gemma-2的对话格式，具有26层和2304个隐藏单元的transformer架构，通过与google版模型的参数融合实现指令执行，推荐在运行时使用bfloat16精度以优化性能。

gemma-1.1-7b-it - Google发布的高性能7B参数语言模型

GemmaGithubHuggingface人工智能大语言模型开源项目模型模型评估训练数据

Gemma-1.1-7b-it作为Google最新发布的7B参数语言模型,通过强化学习和人类反馈方法训练,在模型质量、代码生成、事实准确性及多轮对话等方面都实现了显著提升。该模型能够支持问答、摘要和推理等多项任务,同时具备轻量化特点,可在普通笔记本电脑等设备上运行

PortraitGen-code - 肖像视频编辑技术，结合多模态生成模型

3D重建GithubPortraitGen多模态生成开源项目视频编辑风格迁移

这个项目实现了一种创新的肖像视频编辑方法，采用多模态生成模型来实现统一且高表达力的风格转换，能够处理单目RGB视频中的文本和图像驱动的高质量编辑以及光照调整，从而提高面部结构呈现的质量。

CapsFusion - 创新的大规模图像描述生成框架

CapsFusionGithub图像文本数据大型多模态模型大语言模型开源项目数据集

CapsFusion是一个用于生成高质量图像描述的创新框架。该项目结合大型语言模型，融合真实和合成图像-文本对，解决了大规模多模态模型训练中的可扩展性和知识保留问题。CapsFusion提供120M数据集、模型和分布式推理代码，为多模态预训练研究提供重要资源。

MiniCPM-V-2_6-GGUF - 使用imatrix量化优化模型性能

GithubHuggingfaceMiniCPM-V-2_6transformers多语言开源项目模型视觉处理量化

项目应用llama.cpp的imatrix量化方法，优化模型的文本性能。提供多种量化文件，适配不同硬件配置，尤其适合低RAM环境。这一技术允许根据系统RAM和GPU VRAM选择合适的模型，实现性能与速度的平衡。支持多模态图像-文本转换和多语言处理，可在LM Studio中运行，为开源社区提供多样化的工具和使用选择。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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