Project Icon

VideoGPT-plus

双编码器融合提升视频理解能力

VideoGPT+是一个创新的视频对话模型,通过集成图像和视频编码器,实现了更精细的空间理解和全局时间上下文分析。模型采用自适应池化技术处理双编码器特征,大幅提升了视频基准测试性能。项目同时推出VCG+ 112K数据集和VCGBench-Diverse基准,为视频对话任务提供全面评估。VideoGPT+在空间理解、推理和视频问答等多项任务中表现优异。

LanguageBind_Video_merge - 实现多模态与语言的语义对齐
GithubHuggingfaceLanguageBindVIDAL-10M多模态预训练应急零样本开源项目模型视频语言
LanguageBind项目提出一种基于语言的多模态预训练方法,通过语言对齐视频、红外、深度、音频等多种模态。该方法无需中间模态,性能优异。项目构建了VIDAL-10M数据集,包含1000万条多模态数据及对应语言描述。通过多视角增强和ChatGPT优化的语言描述,为各模态创建了语义空间。该方法在多个数据集上达到了最先进水平。
Qwen2-VL-72B-Instruct-GPTQ-Int4 - 多语言支持与视觉语义分析增强
GithubHuggingfaceQwen2-VL多语言支持开源项目模型视觉理解视频理解跨设备集成
Qwen2-VL在多模态处理技术上取得进展,增强了多语言支持、图像和视频解析能力。在视觉理解测试中表现优异,可处理超过20分钟的视频,实现高质量问答和内容创作,并具备移动设备与机器人操作能力。多维位置嵌入提升了多模态处理效能,可识别多种语言文本,适用于复杂视觉场景。
StreamingT2V - 先进的长视频生成技术 实现连贯动态和可扩展内容
GithubStreamingT2V一致性动态视频开源项目文本到视频长视频生成
StreamingT2V是一种创新的自回归技术,专门用于生成长时间、连贯一致的视频内容。该技术无需分段处理即可创建动态丰富的视频,确保了时间上的连贯性,同时保持与文本描述的高度契合和单帧图像的优质表现。目前已实现生成1200帧(约2分钟)的视频,并具有进一步延长的潜力。值得注意的是,StreamingT2V的性能不局限于特定的文本到视频模型,这意味着随着基础模型的进步,视频质量有望进一步提升。
ChatGPT-Video-Parsing - 集成视频解析和AI服务的多功能Web应用
ChatGPTGithubVIP视频解析Vue2开源项目文生图音乐播放
该项目是一个多功能Web应用,集成了VIP视频解析、音乐播放、ChatGPT对话和AI绘图等服务。用户可免费获取海量视频资源,享受智能对话和语音交互体验。基于Vue2和SpringBoot开发,项目提供流畅的用户界面和稳定的后端支持,为用户带来便捷的娱乐和AI交互体验。
HuatuoGPT-Vision - 大规模医疗视觉知识赋能多模态语言模型
GithubHuatuoGPT-VisionPubMedVision医学VQA数据集医学视觉知识多模态大语言模型开源项目
HuatuoGPT-Vision项目致力于增强多模态语言模型的医疗视觉理解能力。该项目推出了包含130万高质量医疗视觉问答对的PubMedVision数据集,显著提升了模型在医疗领域的多模态表现。研究团队基于此开发了HuatuoGPT-Vision-7B和34B两个版本的医疗多模态语言模型,在多项医疗视觉问答基准测试中均取得了优异成绩。这一项目不仅为医疗人工智能领域提供了宝贵的数据资源和先进模型,还有望推动医疗影像分析和诊断技术的进步。
cogvlm2-llama3-chat-19B - 支持8K内容长度和高分辨率图像的开源多模态AI模型
CogVLM2GithubHuggingface人工智能图像理解对话模型开源项目模型视觉语言模型
CogVLM2是基于Meta-Llama-3-8B-Instruct的开源多模态AI模型,支持8K内容长度和1344*1344图像分辨率。该模型在TextVQA、DocVQA等多项基准测试中表现优异,具备图像理解和对话能力。CogVLM2提供英文和中英双语版本,在开源模型中表现突出,部分任务性能可与非开源模型媲美。
OpenGPTAndBeyond - 开源类ChatGPT模型的实现与发展概述
ChatGPTGPT-3GithubLLaMA大语言模型开源开源项目
自LLaMA权重泄露和斯坦福小羊驼取得显著成果以来,开源社区对开发ChatGPT级别的大语言模型充满希望。页面详细记录了从复刻到超越的整个过程,包括基础模型、领域模型、训练、推理、多语言支持、多模态技术等各方面的进展。此外,还提供了丰富的开发和实施指导,从数据准备到低成本推理,并介绍了多个著名开源模型如LLaMA、BLOOM、GPT-J等。它是研究者和开发者理解和推进大语言模型开源发展的全面资源。
GraphGPT - 基于图指令微调的大语言模型知识对齐框架
GithubGraphGPT图学习图结构知识大语言模型开源项目指令微调
GraphGPT是一个将大语言模型与图结构知识对齐的创新框架。该框架通过文本-图谱接地编码结构信息,采用双阶段图指令微调适应图学习任务,并运用思维链蒸馏提升推理能力。GraphGPT有效增强了语言模型对图数据的理解和处理能力,为图结构数据分析提供了新的研究方向。
XPretrain - 涵盖视频语言和图像语言模型的多模态学习与预训练研究
GithubXPretrain图像与语言多模态学习开源项目视频与语言预训练
Microsoft Research MSM组在多模态学习和预训练方法上的最新研究成果,包含用于视频语言的HD-VILA-100M数据集,以及HD-VILA、LF-VILA、CLIP-ViP等预训练模型,和用于图像语言的Pixel-BERT、SOHO、VisualParsing模型。这些研究发表在CVPR、NeurIPS和ICLR等顶级会议,代码和数据集已公开,社区成员可以贡献和提出建议。
PoseGPT - 基于对话的3D人体姿态理解和生成模型
3D人体姿势ChatPoseGithubSMPL人工智能对话多模态大语言模型开源项目
ChatPose是一个用于理解和推理3D人体姿态的多模态大语言模型。它支持用户通过自然语言对话询问人体姿态相关问题,并能从图像和文本描述中推断3D人体姿态。该模型以SMPL格式输出姿态参数,并生成对应的3D人体网格模型。ChatPose为3D人体姿态研究和应用提供了新的探索方向。
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

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