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

多模态模型图像识别 Huggingface 视频处理模型 Github Qwen2 开源项目 LLaVA-OneVision

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。

VILA - 创新的视觉语言模型预训练方法

GithubVILA多模态开源项目视觉语言模型量化预训练

VILA是一种新型视觉语言模型，采用大规模交错图像-文本数据预训练，增强了视频和多图像理解能力。通过AWQ 4位量化和TinyChat框架，VILA可部署到边缘设备。该模型在视频推理、上下文学习和视觉思维链等方面表现出色，并在多项基准测试中获得了优异成绩。项目完全开源，包括训练和评估代码、数据集以及模型检查点。

InternVL2-2B-AWQ - 跨多语言多图像任务的高效视觉语言模型

API接口GithubHuggingfaceInternVL2-2B图像文本多模态开源项目模型模型量化

InternVL2-2B-AWQ以AWQ算法实现4bit权重量化，模型推理速度较FP16提升至2.4倍。lmdeploy兼容众多NVIDIA GPU进行W4A16推理，提升离线批量推理效率。同时，该项目提供RESTful API服务并兼容OpenAI接口，快速部署和应用于视觉-语言任务。此多语言兼容的模型不仅提高推理效率，还具备灵活的服务特性。

Qwen2.5-7B-Instruct-AWQ - 优化的大规模语言模型，支持长文本处理与多语言生成

GithubHuggingfaceQwenQwen2.5多语言支持开源项目指令跟随模型长文本处理

Qwen2.5 增强版在知识获取、编程和数学能力上有显著提升，支持最大128K的长文本处理及29种语言，优化用于指令追踪和生成结构化数据，尤其适合聊天机器人应用。

Llava-v1.5-7B-GGUF - 轻量级多模态图文处理模型支持多种精度量化

GithubHuggingfaceLLaVALlamaEdge图文理解大语言模型开源项目模型模型量化

Llava-v1.5-7B-GGUF是Llava 1.5 7B模型的GGUF量化版本,提供2位至8位多种精度选择,可根据性能和质量需求灵活使用。项目支持通过LlamaEdge快速部署,适用于多模态AI应用场景。该模型具备图像理解和文本生成能力,在保持性能的同时实现了模型体积的压缩。

Qwen2.5-72B-Instruct-GPTQ-Int8 - 支持多语种和长文本处理的先进AI模型

GithubHuggingfaceQwen2.5多语言支持大语言模型开源项目指令调优模型长文本处理

Qwen2.5-32B-Instruct-AWQ - 支持128K长文本的多语言量化大模型

GithubHuggingfaceQwen2.5人工智能多语言处理大语言模型开源项目模型量化模型

Qwen2.5-32B指令微调模型经AWQ量化后参数量达32.5B，显著增强了编程和数学计算能力。模型支持29种语言交互，可处理128K tokens长文本，具备结构化数据理解和JSON生成等核心功能。基于transformers架构开发，通过量化技术实现高效部署，适用于大规模AI应用场景。

NVLM-D-72B - 开源前沿级多模态大语言模型实现视觉语言任务的最新突破

GithubHuggingfaceNVLM人工智能多模态大语言模型开源项目模型视觉语言

NVLM-D-72B是一款开源的多模态大语言模型，在视觉语言任务上表现卓越，达到了与顶级专有和开源模型相当的水平。该模型不仅擅长视觉语言任务，在多模态训练后其纯文本处理能力也有所提升。NVLM-D-72B可执行光学字符识别、多模态推理、定位、常识推理等多种任务，为AI研究社区提供了强大的开源多模态能力。

Qwen2-72B - 新一代开源大语言模型在多个领域表现出色的中立评估

GithubHuggingfaceQwen2-72B多语言能力开源项目文本生成模型评估数据集语言模型

Qwen2系列大语言模型采用改进的Transformer架构，包含多种参数尺寸，加强了在多语言、编程、数学和推理领域的表现。Qwen2-72B模型对比现有开源和专有模型，展示了其在自然语言处理、代码生成和多语言翻译方面的竞争力，支持各类复杂任务的高效执行。了解更多关于模型的功能和实用建议，为语言技术应用提供支持。

VisionLLaMA - 基于LLaMA的统一视觉模型，为图像生成和理解设立新基准

GithubVisionLLaMA图像理解图像生成开源项目计算机视觉预训练模型

VisionLLaMA是一个基于LLaMA架构的统一视觉Transformer模型，专为处理2D图像而设计。该模型提供平面和金字塔两种形式，适用于广泛的视觉任务，包括图像感知和生成。通过各种预训练范式的广泛评估，VisionLLaMA在多项图像生成和理解任务中展现出卓越性能，超越了现有最先进的视觉Transformer模型，为计算机视觉领域提供了新的基准。

Video-LLaVA - 视频多模态模型，具备像素级定位能力

GithubLMMPG-Video-LLaVA像素级别定锚开源项目视频理解音频上下文

PG-Video-LLaVA通过模块化设计，首次实现视频多模态模型具备像素级定位能力。该框架使用现成的追踪器和创新的定位模块，能够根据用户指令在视频中实现空间定位。引入新的基准测试用于评估基于提示的对象定位性能，并结合音频上下文完善视频内容理解，提高在对话和新闻视频等场景中的适用性。改进的定量基准测试确保更高的透明度和可重复性。

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