Logo
Project Icon

Video-LLaVA

视频多模态模型，具备像素级定位能力

PG-Video-LLaVA像素级别定锚LMM视频理解音频上下文Github开源项目

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。

访问官网访问官网GithubGithub论文论文
介绍相关项目
LLaVA-Med - 生物医学视觉语言模型助力图像分析与智能问答
GithubLLaVA-Med多模态大语言模型开源项目生物医学视觉问答
LLaVA-Med是一个针对生物医学领域的大规模语言和视觉模型。该模型通过课程学习方法对LLaVA进行了生物医学领域适应，在PathVQA和VQA-RAD等开放式生物医学问答任务中表现优异。LLaVA-Med支持多模态对话和视觉问答，为生物医学视觉语言处理研究提供了有力工具。需要注意的是，此模型仅供研究使用，不适用于临床决策。
DeepSeek-VL - 高性能开源视觉语言模型 多模态理解与复杂场景应用
DeepSeek-VLGithub人工智能多模态理解开源开源项目视觉语言模型
DeepSeek-VL是一个开源视觉语言模型，为实际应用场景而设计。它能处理逻辑图表、网页、公式、科学文献、自然图像等，并在复杂场景中展现智能。模型提供1.3B和7B两种参数规模，支持基础和对话应用，可用于学术研究和商业用途。DeepSeek-VL采用MIT许可证，为研究人员和开发者提供了强大的视觉语言处理工具。
Llama-3.2-11B-Vision - Meta开发的多模态大语言模型 支持视觉识别和图像推理
GithubHuggingfaceLLAMA 3.2多模态模型开源项目机器学习模型自然语言处理计算机视觉
Llama-3.2-11B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入、文本输出。该模型在视觉识别、图像推理、图像描述和通用图像问答方面表现出色。它基于Llama 3.1文本模型构建,采用优化的Transformer架构,通过监督微调和人类反馈强化学习进行对齐。模型支持128K上下文长度,经过60亿(图像,文本)对训练,知识截止到2023年12月。Llama-3.2-11B-Vision为商业和研究用途提供视觉语言处理能力。
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。
InternVL2-Llama3-76B - 融合视觉与语言的多模态AI模型
GithubHuggingfaceInternVL2Llama3NLP多模态大语言模型开源项目模型视觉语言模型
InternVL2-Llama3-76B是一款融合视觉和语言能力的多模态AI模型。它由InternViT-6B视觉模型和Hermes-2-Theta-Llama-3语言模型组成，在文档理解、图表分析和场景文字识别等任务中表现优异。该模型支持8k上下文窗口，可处理长文本、多图像和视频输入，为用户提供全面的多模态分析能力。
VILA1.5-13b - 多图像推理与跨设备应用的视觉语言模型
GithubHuggingfaceTransformerVILA多图推理多模态开源项目模型视觉语言模型
此页面介绍VILA模型，一种用于多模态研究的视觉语言模型，通过大规模图文数据预训练，提升多重推理能力。VILA支持多图像推理、情境学习，并提供更丰富的知识表现。通过AWQ 4bit量化，模型适用于Jetson Orin等边缘设备，兼顾性能与兼容性。适合计算机视觉与自然语言处理结合的研究者，支持Linux系统，具备出色的指令跟随和视觉推理能力。
Awesome-Multimodal-Large-Language-Models - 多模态大语言模型研究资源与最新进展汇总
Github多模态大语言模型开源项目指令微调模型评估视觉语言模型视频理解
该项目汇总了多模态大语言模型(MLLMs)领域的最新研究成果，包括论文、数据集和评估基准。涵盖多模态指令微调、幻觉、上下文学习等方向，提供相关代码和演示。项目还包含MLLM调查报告及MME、Video-MME等评估基准，为研究人员提供全面参考。
llava-onevision-qwen2-7b-ov - 基于Qwen2的多模态模型 支持图像和视频理解
GithubHuggingfaceLLaVA-OneVision图像识别多模态大语言模型开源项目模型视频理解
LLaVA-OneVision-qwen2-7b-ov是基于Qwen2开发的多模态模型,具备32K标记上下文窗口。该模型通过LLaVA-OneVision数据集训练,可理解图像、多图和视频内容。在AI2D、ChartQA、DocVQA等多个多模态基准测试中表现优异,支持英语和中文,适用于多种多模态应用场景。
LWM - 百万级上下文多模态AI模型突破性成果
GithubLarge World ModelRingAttention多模态模型开源项目视频处理长文本理解
Large World Model (LWM)是一种创新的多模态AI模型，具备百万级上下文处理能力。LWM通过分析大规模视频和文本数据，实现了语言、图像和视频的综合理解与生成。该项目开源了多个模型版本，支持处理超长文本和视频，在复杂检索和长视频理解等任务中表现出色，为AI技术发展提供了新的可能性。
相关项目
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

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

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

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。

Project Cover

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。

Project Cover

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。

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。

使用协议隐私政策广告服务
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