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。

EZO-gemma-2-2b-jpn-it-GGUF - GGUF格式优化的日语Gemma模型

GGUFGemmaGithubHuggingfaceiMatrix开源项目日语模型模型量子化

EZO-gemma-2-2b-jpn-it-GGUF项目将AXCXEPT的日语Gemma模型转换为GGUF格式，提高了模型效率。项目采用K量子化技术，并利用TFMC提供的iMatrix数据集增强日语处理能力。这些优化使得模型在保持高性能的同时更加轻量化，适合需要高效日语语言模型的应用场景。

DeepImage-an-Image-to-Image-technology - 强大而多样化的图像生成与转换技术集合

CycleGANDeepImageGANGithubImage-to-ImageStyleGAN开源项目

DeepImage是一个综合性的图像生成与转换技术项目，包含多种先进算法如pix2pixHD、pix2pix和CycleGAN等。该项目提供了图像生成演示、理论研究资料和实践指南，涵盖从基础到前沿的生成对抗网络(GAN)技术。DeepImage为研究人员和开发者提供了一个全面的学习和实验平台，助力探索图像生成与转换的多种可能性。

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。

NExT-GPT - NExT-GPT多模态语言大模型的前沿应用和技术

GithubNExT-GPT多模态LLM多模态编码开源项目端到端学习语言模型

NExT-GPT，一个先进的多模态语言处理大型模型，支持文本、图像、视频和音频的综合处理。该模型整合了最新科技，提供代码和数据资源，可广泛应用于内容自动生成和多模态交互等领域。它利用先进的多模态编码器和语言模型进行有效的语义理解与生成，同时能输出特定模态内容，满足多种输入与输出需求。

gemma-7b - Google推出的轻量级开源大语言模型

GemmaGithubHuggingface人工智能大语言模型开源项目机器学习模型自然语言处理

Gemma-7b是Google基于Gemini技术推出的开源大语言模型,拥有70亿参数。该模型在6万亿token的多样化数据集上训练,支持8192个token的上下文长度。Gemma-7b在MMLU、HellaSwag等多项基准测试中表现优异。模型采用严格的数据清洗和安全评估流程,为研究人员提供高性能且负责任的AI工具,促进AI技术的普及与创新。

chatbot-app - 支持多种模型如GPT和Gemini Pro的AI应用程序

ChatBotCohereGPTGemini ProGithubOllama开源项目

这款应用支持多种AI模型，如GPT、Gemini Pro、Cohere和Ollama，注重隐私保护，数据均存储在本地。具有响应式设计和深色模式，功能包括语音对话、生成图片、长时间对话和ChatGPT代码解释器，支持多种语言。兼容iOS、Android、macOS等多平台，建议通过官方渠道下载以防密钥被盗。

CogView - 中文文字生成逼真图像，支持英文和中文输入

CogViewGithubImageRewardNeurIPS 2023text-to-imagetransformer开源项目

CogView是一个基于4B参数预训练的转换器，用于生成通用领域的文本到图像。最新版本CogView2显著提升了生成速度，并扩展支持英文输入。用户可以通过Github和Wudao平台体验并下载预训练模型。项目还包含超分辨率和图像到文本转换功能，并提供详细的设置和运行指南。该项目获得NeurIPS 2021认可，并推荐使用PB-relax和Sandwich-LN技术稳定训练大型转化器。

transformers - 机器学习库，覆盖文本、视觉与音频处理

GithubHugging Face人工智能多模态开源项目机器学习自然语言处理

探索🤗 Transformers——一个功能全面的机器学习库，覆盖文本、视觉与音频处理。该库提供数千种可对接JAX、PyTorch或TensorFlow的预训练模型，适用于多种语言处理与多模态任务。主要功能包括： - 文本分类 - 信息提取 - 问答系统 - 摘要生成 - 翻译 - 文本生成此外，还能处理表格问答、OCR及视觉问答等多模态任务。Transformers库易于使用，支持模型间的快速切换与无缝整合。

vision_transformer - 视觉Transformer和MLP-Mixer模型库高性能图像识别

FlaxGithubJAXMLP-MixerVision Transformer图像识别开源项目

项目包含多种视觉Transformer(ViT)和MLP-Mixer模型实现,提供ImageNet和ImageNet-21k预训练模型及JAX/Flax微调代码。通过交互式Colab笔记本可探索5万多个模型检查点。这些高性能图像分类模型代表了计算机视觉的前沿进展。

ImageBind - 跨模态AI模型实现六种感官数据的统一嵌入

CVPR 2023GithubImageBind多模态嵌入开源项目跨模态检索零样本分类

ImageBind是由Meta AI研发的AI模型，可将图像、文本、音频、深度、热感和IMU数据统一到单一嵌入空间。该模型支持跨模态检索、模态组合运算、检测和生成等应用，在多个零样本分类任务中表现良好。ImageBind为多模态AI研究提供了新思路，研究者可通过其开源的PyTorch实现和预训练模型进行进一步探索。

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。

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