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。

paligemma-3b-pt-448 - 多语言视觉语言模型适用于多种图像相关任务

GithubHuggingfacePaliGemma图像文本生成多语言支持开源项目微调模型视觉语言模型

PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。

generative-ai - Google Cloud Vertex AI生成式AI工作流指南

AI模型GeminiGenerative AIGithubGoogle CloudVertex AI开源项目

此资源库提供关于在Google Cloud上使用Generative AI的指南和示例，包括笔记本、代码样本和应用程序示例，帮助用户开发和管理生成式AI工作流。

moondream - 小巧高效的视觉语言模型兼容多平台运行

AI问答Githubmoondream图像识别开源项目深度学习视觉语言模型

moondream是一款小型视觉语言模型，可在多种平台上运行。该模型在VQAv2、GQA和TextVQA等基准测试中表现优异，能够回答图像相关问题并提供详细描述。moondream支持批量处理，可通过transformers库或GitHub仓库使用。尽管体积小巧，该模型在图像理解和问答任务上表现出色。

gemma-2-baku-2b-it-gguf - 跨语言量化模型，支持多平台兼容应用

GithubHuggingfaceLM Studiogemma-2-baku-2b-it使用方法开源项目模型模型卡量子化

量子化后的gemma-2-baku-2b-it模型为日语和英语提供跨语言支持，增强处理效率。通过多种工具如llama.cpp、LM Studio（Windows和Mac支持）和LLMFarm（适用于iOS）进行应用。项目采用TFMC的数据集，专注于优化日语语言学习模型。访问有关npaka将LLM-jp-3转换为gguf的详细步骤，以提高应用效率和开发潜力。

Gemma-2b-it-GGUF - 多样化选择的Gemma量化模型

GithubGoogleHuggingfaceLlamaEdgegemma-2b-it开源项目模型量化

该项目以多种量化格式提供Gemma模型，从低质量损失的小型号到几乎无质量损失的大型号，满足多样化的应用需求。模型的量化由Second State Inc.负责，旨在优化性能和存储空间，适合多种AI部署环境。选择合适型号可在性能与资源使用间达到平衡。

kosmos-2.5 - 文本密集型图像处理的多模态模型

GithubHuggingfaceKosmos-2.5多模态开源项目文本识别文档转换模型模型训练

Kosmos-2.5 是一个专注于文本密集型图像的多模态识别模型，采用自回归Transformer架构，能够生成带有空间坐标的文本块和Markdown格式的文本输出。其设计允许通过不同的任务提示进行微调，适应多种应用场景。

openGemini - 云原生分布式时序数据库解决方案

GithubopenGemini云原生分布式开源项目时序数据库高性能

openGemini是一个开源的云原生分布式时序数据库,专注于海量遥测数据的存储和分析。它提供可扩展性强的架构、高基数存储引擎和高效数据压缩功能。支持多种部署方式,兼容InfluxDB生态系统,适用于物联网、IT运维和金融交易等领域的时序数据管理。

gemma-2-2b-it-GGUF - Gemma 2B-it模型的多种量化版本及使用指南

GGUFGemmaGithubHuggingfaceLLMhuggingface开源项目模型量化模型

本项目提供Google Gemma 2B-it模型的11种量化版本，使用llama.cpp处理。量化级别从F32到IQ3_M，文件大小1.39GB至10.46GB。详细介绍各版本特点、使用场景和选择建议，并提供下载方法、提示词格式等说明。适合不同硬件配置的轻量级Gemma模型部署需求。

fuyu-8b - 无需图像编码器的轻量级多模态开源模型

Fuyu-8BGithubHuggingface人工智能图像识别多模态模型开源项目模型计算机视觉

Fuyu-8B是Adept AI开发的开源多模态模型，基于decoder-only transformer架构设计。模型无需图像编码器即可处理任意分辨率图像，处理速度在100毫秒以内。在图表解析、UI交互和视觉定位等任务中展现稳定性能，同时在标准图像理解测试中表现良好。作为基础模型，适合通过微调来满足不同场景需求。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

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