Project Icon

ScreenAI

深度理解界面和信息图的视觉语言模型

ScreenAI是一个开源的多模态视觉语言模型,专注于用户界面(UI)和信息图的理解。该模型集成了视觉变换器(ViT)、注意力机制和前馈网络,能够处理图像和文本输入。通过深度学习技术,ScreenAI实现了对复杂视觉信息的处理和文本整合分析,为UI设计、信息可视化和人机交互研究提供了新的工具和方法。

midscene - AI支持的自然语言网页控制和数据提取
AI自动化GithubJSON格式Midscene.js开源项目断言功能自然语言交互
Midscene.js 是一款基于 AI 的自动化 SDK,能够使用自然语言控制网页、执行断言,并提取 JSON 格式的数据。它提供了直观的 UI 交互、数据格式提示和 AI 理解的断言功能,无需自定义训练,同时支持常用的多模态 LLM,如 GPT-4 等。还配备了可视化工具,便于调试和理解整个过程,为开发者提供全新的自动化开发体验。
AIAnalyzer.io - 全球AI模型评估与性能分析平台
AIAnalyzerAI分析AI工具数据分析用户界面联系方式
AIAnalyzer.io作为专业的AI模型评估平台,提供全球范围内人工智能模型的发现、比较和基准测试服务。平台覆盖多样化AI应用领域,呈现全面的性能、准确性和效率分析,助力决策制定。AIAnalyzer.io持续追踪AI技术前沿,为研究人员、开发者和企业提供最新的人工智能进展洞察。汇集全球AI模型,AIAnalyzer.io提供客观评估和深度分析,展示详实的性能指标和效率数据,支持精准决策,推动人工智能创新发展。
Qwen2-VL-72B-Instruct-GPTQ-Int8 - 改进视觉和文本处理能力的多模态模型
GithubHuggingfaceQwen2-VL多模态多语言支持开源项目模型视觉理解视频分析
本项目是一个多模态视觉语言模型,具有高效的图像理解和多语言支持。它能够处理超过20分钟的视频内容,并可整合到移动设备和机器人中进行自动化操作。通过应用动态分辨率处理和多模态旋转位置嵌入,该模型提升了视觉处理能力。此外,项目还提供了便于快速部署的工具包,助力处理各类视觉任务。
llava-onevision-qwen2-72b-ov-sft - 基于Qwen2的多模态AI模型 支持图像和视频交互
GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态模型开源项目模型视频处理
LLaVA-OneVision是基于Qwen2的多模态AI模型,支持图像、多图和视频交互。模型在专用数据集上训练,具有32K tokens上下文窗口,提供0.5B、7B和72B三种规模。支持英语和中文,可处理单图、多图和视频输入。项目开源了代码、在线演示和论文,为AI研究和开发提供了实用工具。
visualglm-6b - 中英文图像交互的多模态对话模型
GithubHuggingfaceVisualGLM-6B图像生成多模态对话开源项目模型语言模型预训练
VisualGLM-6B是一个多模态对话模型,支持中文、英文和图像交互。基于ChatGLM-6B,有78亿参数,通过BLIP2-Qformer桥接视觉和语言模型。此模型使用CogView数据集进行预训练,并在长视觉问答数据上微调,以生成符合人类偏好的回答。用户可用Python代码简便调用模型,同时提供命令行、网页示例及模型量化的详细说明。
CrayEye - 智能手机多模态AI分析应用 结合实时环境数据增强视觉理解
AI分析AI工具CrayEye多模态LLM环境解释视觉提示
CrayEye是一款开源的多模态AI分析应用,利用智能手机摄像头和传感器解读环境。用户可创建、共享和使用融合实时位置、天气等数据的增强型提示。支持iOS和Android,提供鸟类识别、物品分析等功能。这个AI驱动开发的应用为探索视觉多模态模型提供了创新平台,鼓励用户社区共同贡献和改进。
openvision - 通过开源项目OpenVision体验无缝结合Midjourney美学的图像风格
AI生成BittensorGithubHuggingfaceMidjourney风格OpenVision图像增强开源项目模型
OpenVision项目融合了Midjourney的独特美学,生成的图像无需后期调整仍具风格和细节表现,尤其在人像图像的处理上更加出色。该项目通过Bittensor网络生成,支持构建去中心化的开源AI模型,可使用diffusers和StableDiffusionXLPipeline轻松实现图像创建。
Screenle - AI面试平台提升招聘效率与透明度
AI头像面试官AI工具AI面试工具Screenle虚拟面试面试分析
Screenle作为AI驱动的面试平台,为求职者和企业提供高效透明的面试体验。平台特色包括12种语言的AI化身面试官、11种面试风格、候选人表情与肢体语言分析、视频音频记录及AI答案分析等功能。通过创新技术,Screenle简化面试流程,优化整体招聘过程,为用户提供便捷专业的解决方案。
Phi-3-vision-128k-instruct - 突破性视觉语言模型 128K上下文、多模态理解能力
GithubHuggingfacePhi-3-Vision-128K-Instruct图像理解多模态模型开源项目微软模型自然语言处理
Phi-3-vision-128k-instruct是一个开放式多模态模型,支持128K token的上下文处理。该模型通过文本和视觉数据集训练,在图像理解、OCR和图表分析等任务中表现优异。经过监督微调和偏好优化,模型具备精确的指令执行能力和安全性。作为Phi-3系列的成员,它适用于资源受限环境下的通用图像理解任务,为AI系统和应用提供支持。
MotionLLM - 融合视频和动作数据的人类行为理解先进AI模型
GithubMotionLLM人工智能人类行为理解多模态学习大语言模型开源项目
MotionLLM是一个人类行为理解框架,通过融合视频和动作序列数据来分析人类行为。该项目采用统一的视频-动作训练策略,结合粗粒度视频-文本和细粒度动作-文本数据,以获得深入的时空洞察。项目还包括MoVid数据集和MoVid-Bench评估工具,用于研究和评估人类行为理解。MotionLLM在行为描述、时空理解和推理方面展现出优越性能,为人机交互和行为分析研究提供了新的方向。
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