Project Icon

Video-LLaVA

视频多模态模型,具备像素级定位能力

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。

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。
MPP-LLaVA - 基于QwenLM的多模态并行系统,支持多轮对话及视频交流
GithubMPPQwen-Nextsft数据多轮对话开源项目流水线并行视频对话
MPP-Qwen-Next项目基于QwenLM,提供多模态流水线并行系统,支持多轮对话、视频对话和多图对话功能。借助DeepSpeed Pipeline Parallel技术,实现高效的单图、多图及视频推理。项目包含详细的预训练和指令微调数据,适用于多种对话场景,并专为大规模显卡配置进行了优化。
LLaVA-Plus-Codebase - 多模态智能助手的工具使用与学习指南
GithubLLaVALLaVA-PlusVicuna多模态开源项目视觉助手
该项目介绍了LLaVA-Plus如何提升大语言和视觉助手的工具使用能力。通过代码示例、安装说明和使用指南,用户可以快速掌握运行和训练LLaVA-Plus模型的方法,并进行推理和评估。该项目适用于需要结合视觉任务和语言模型的研究人员和开发者,提供了多个知名工具的整合与使用说明,帮助用户全面了解和应用这些工具执行多模态任务。
llava-interleave-qwen-0.5b-hf - 多模态模型中的图像到文本生成的应用与研究
GithubHuggingfaceLLaVA Interleave图像文本转换多模态模型开源项目机器学习模型自然语言处理
LLaVA Interleave是基于变换器架构进行优化的开源自回归语言模型,专注于多模态大模型和聊天机器人的研究,支持多图像和多提示生成,适用于计算机视觉和自然语言处理领域的研究人员和爱好者。在遵循开放许可证要求的前提下,模型提升了图像到文本的生成能力。通过4比特量化和Flash Attention 2优化策略,显著提高了生成效率。
RLAIF-V - 多模态大模型对齐的开源AI反馈框架
GithubRLAIF-V人工智能反馈可信性多模态大语言模型开源开源项目
RLAIF-V项目提出了一种新的多模态大模型对齐框架,通过开源AI反馈实现了超越GPT-4V的可信度。该框架利用高质量反馈数据和在线反馈学习算法,有效减少模型幻觉,提高学习效率和性能。项目开源的代码、模型权重和数据集为多模态人工智能研究提供了重要资源。
llavavision - 利用多模态AI实现视觉描述的简易网络应用
GithubLLaVaVisionWeb应用llama.cpp图像描述开源项目机器学习模型
LLaVaVision是一个基于llama.cpp和llava后端的“Be My Eyes”简易网络应用,通过ChatGPT和Copilot快速开发。应用了SkunkworksAI BakLLaVA-1模型进行视觉描述,并通过Web Speech API朗读文本。适用于拥有约5 GB RAM/VRAM的设备,提供详细的服务器搭建和启动指南,支持GPU和CPU运行模式。灵感源自Fuzzy-Search/realtime-bakllava,旨在提供便捷的视觉辅助功能。
LaVie - 级联潜在扩散模型实现高质量视频生成
AI视频制作GithubLaVie开源项目文本生成视频潜在扩散模型视频生成
LaVie是一个基于级联潜在扩散模型的文本到视频生成框架。它通过基础模型生成、视频插值和超分辨率三个步骤,可生成16至61帧、最高1280x2048分辨率的高质量视频。该框架支持多种采样方法和参数调整,用户可通过简单命令生成不同风格视频。LaVie开源了模型代码和预训练权重,便于学术研究和商业应用。
VLM2Vec-Full - 视觉语言模型VLM2Vec的多模态嵌入训练方法
GithubHuggingfaceTIGER-LabVLM2Vec多模态嵌入对比学习开源项目模型视觉语言模型
VLM2Vec在Phi-3.5-V模型中引入EOS标记,实现跨多模态输入的统一嵌入表达,高效结合文本与图像。通过对比学习在MMEB-train数据集上训练,并在36个数据集上进行评估,Lora训练方式表现最佳。项目提供模型检查点及完整训练记录,供用户在GitHub仓库克隆下载,通过代码实现文本与图像的嵌入和相似度计算,助力模型运用。
ShapeLLM - 革新3D理解的多模态大语言模型
ShapeLLM是首个面向智能体交互的3D多模态大语言模型,支持单视图彩色点云输入。该项目引入了3D问答基准3D MM-Vet,并改进了点云编码器ReCon++。ShapeLLM在多项3D理解任务中表现出色,为智能体与3D环境交互提供了新思路。
VideoMamba - 突破性的视频理解状态空间模型
GithubVideoMamba多模态兼容性开源项目状态空间模型视频理解长期视频建模
VideoMamba是一种创新的视频理解模型,克服了现有技术的局限性。它能高效处理长视频和高分辨率内容,展现出可扩展性、短期动作识别敏感性、长期视频理解优势和多模态兼容性四大核心特点。VideoMamba为全面的视频理解任务提供了高效解决方案,推动了该领域的发展。
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。

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