pytorch_mgie

多模态大语言模型驱动的图像编辑指导系统

pytorch_mgie是一个基于多模态大语言模型的图像编辑指导系统，采用Apple开源的ml-mgie技术。该项目通过自然语言指令实现图像编辑，并提供Gradio演示界面展示LLaVA-7B模型在图像编辑任务中的应用。项目包含预训练模型和环境配置指南，为研究和开发提供了实验平台。

访问官网

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。

xgen-mm-phi3-mini-instruct-r-v1 - Salesforce开发的大规模多模态模型支持高分辨率图像处理

AI研究GithubHuggingfaceXGen-MM图像处理多模态模型开源项目模型视觉语言模型

xgen-mm-phi3-mini-instruct-r-v1是Salesforce AI Research开发的大规模多模态模型。该模型在5B参数规模下实现了开源和闭源视觉语言模型中的领先性能，支持高分辨率图像处理，并具备出色的上下文学习能力。模型通过大规模训练提升了多模态AI技术水平，为图像理解和文本生成任务提供了强大支持。

PygmalionAI - 大型语言模型驱动的开源AI互动平台

AI工具PygmalionAI人工智能开源项目聊天机器人语言模型

PygmalionAI是一个正在开发的开源AI项目，专注于创建用于聊天、角色扮演和冒险的大型语言模型。该平台旨在提供多样化的AI互动体验，支持多种应用场景。项目鼓励社区参与，通过Discord、Hugging Face和GitHub与开发者和用户保持联系，共同推动AI技术的创新与应用。

Paint-by-Example - 通过扩散模型进行示范导向的图像编辑

GithubHuggingfacePaint by Example图像编辑开源项目扩散模型自监督训练

该项目通过自监督训练，重新组合源图像及示范图像，避免了直接复制粘贴带来的伪影。采用任意形状掩码和无分类器指导，提升编辑过程的可控性，并通过一次性前向扩散模型实现高保真图像编辑。项目展示了对自然图像的高效可控编辑效果，提供了预训练模型、测试基准和量化结果，适用于图像编辑和生成的研究与应用。

gpytorch - 基于PyTorch实现的灵活高斯过程建模工具

GPU加速GPyTorchGaussian processGithubKISS-GPPyTorch开源项目

GPyTorch是一个基于PyTorch实现的高斯过程库，旨在简便地创建可扩展、灵活的高斯过程模型。它通过数值线性代数技术实现了显著的GPU加速，并集成了如SKI/KISS-GP和随机Lanczos展开等先进算法，同时能与深度学习框架无缝结合。支持Python 3.8及以上版本。更多信息、示例和教程请参阅官方文档。

gluon-cv - 计算机视觉领域的深度学习模型工具包，支持PyTorch和MXNet框架

GithubGluonCV图像分类对象检测开源项目深度学习计算机视觉

GluonCV是一个面向工程师、研究人员和学生的计算机视觉深度学习工具包，支持快速原型设计。其主要功能包括可复现SOTA结果的训练脚本、对PyTorch和MXNet框架的支持、大量预训练模型，以及简化实现的API设计和社区支持。用户还可以通过AutoGluon执行图像分类和目标检测任务。

InstructCV - 自然语言指令引导的多任务计算机视觉模型

GithubInstructCV开源项目文本到图像生成深度学习生成扩散模型计算机视觉

InstructCV 项目通过指令调优的文本到图像扩散模型，简化了计算机视觉任务的执行方式。该项目将多个计算机视觉任务转化为文本描述的图像生成问题，并使用涵盖分割、物体检测、深度估计和分类等任务的数据集进行训练。利用大型语言模型生成任务提示，该模型从生成模型转变为指令引导的多任务视觉学习者。项目实现了多种环境配置，包括在Huggingface Spaces的Gradio演示和Google Colab的运行示例，并支持PyTorch 1.5+。

VisionLLM - 面向视觉任务的开放式多模态大语言模型

GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉

VisionLLM 系列是一种多模态大语言模型，专注于视觉相关任务。该模型利用大语言模型作为开放式解码器，支持数百种视觉语言任务，包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性，扩展了其在多模态应用场景中的能力，推动了计算机视觉与自然语言处理的融合。

llava-llama-3-8b-v1_1-gguf - 基于Llama-3的8B参数多模态模型实现图文交互

GithubHuggingfaceLLaVAXTuner图像理解大模型微调开源项目模型视觉语言模型

这是一个基于Llama-3和CLIP视觉模型构建的多模态系统，采用GGUF格式优化部署效率。模型在MMBench、CCBench等多个基准测试中展现了优秀的图像理解和文本生成能力。通过ollama或llama.cpp框架，可实现快速本地部署和图文交互功能。

ml-aim - 自回归图像模型预训练的突破性进展

AIMGithub图像特征大规模模型开源项目自回归图像模型预训练

AIM项目开发了一系列采用自回归生成目标预训练的视觉模型。研究发现，图像特征的自回归预训练呈现出与大型语言模型类似的扩展性。该项目能够将模型参数轻松扩展到数十亿级，并能有效处理大规模未筛选的图像数据。AIM提供多种预训练模型，兼容PyTorch、MLX和JAX等多个框架，为计算机视觉领域的研究与应用提供了有力支持。

相关项目

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com