Project Icon

uform-gen2-dpo

基于偏好优化的视觉语言模型 用于图像描述和视觉问答

UForm-Gen2-dpo是一个经过直接偏好优化(DPO)训练的视觉语言模型,专门用于图像描述和视觉问答。该模型结合了CLIP式ViT-H/14视觉编码器和Qwen1.5-0.5B-Chat语言模型,能够生成准确的图像描述、回答图像相关问题,并支持多模态对话。在MME基准测试中,UForm-Gen2-dpo在感知、推理、OCR等多个图像理解任务上展现出优秀性能,为视觉语言处理提供了高效可靠的解决方案。

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-VL-7B-Instruct-GPTQ-Int8 - Qwen2-VL模型:支持多语言的视觉理解与设备自动化
GithubHuggingfaceQwen2-VL多模态多语言支持开源项目模型自动操作视频理解
Qwen2-VL模型具备多种新特性,包括对图像及长视频的高性能理解能力,以及多语言文本支持。该模型通过M-ROPE机制进行多模态处理,并在性能基准测试中,展示了其量化优化后的准确性和速度。这一特性让其能广泛用于移动设备和机器人等自动化操作。
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。
blip-vqa-capfilt-large - 跨视觉语言任务的统一预训练框架
BLIPGithubHuggingface图像理解图像生成开源项目模型视觉语言预训练视觉问答
BLIP是一个新型视觉-语言预训练框架,可同时应用于理解和生成任务。它通过引导式标注技术高效利用网络数据,在图像-文本检索、图像描述和视觉问答等任务中达到了领先水平。该模型还能零样本迁移到视频-语言任务,展现出强大的泛化能力。项目开源了代码、模型和数据集,为视觉-语言研究提供了宝贵资源。
paligemma-3b-pt-448 - 多语言视觉语言模型 适用于多种图像相关任务
GithubHuggingfacePaliGemma图像文本生成多语言支持开源项目微调模型视觉语言模型
PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。
vip-llava-7b-hf - 基于自然视觉提示的多模态语言模型
AI聊天机器人GithubHuggingfaceViP-LLaVA图像识别多模态AI开源项目模型视觉语言处理
VipLLaVA在LLaVA基础上引入自然视觉提示训练机制,通过边界框和指向箭头等视觉标记增强模型的图像理解能力。作为基于Transformer架构的多模态模型,VipLLaVA支持多图像输入和复杂视觉查询处理。该模型通过微调LLaMA/Vicuna实现,可集成到transformers库中实现图像文本交互,并支持4位量化和Flash Attention 2优化部署。
moondream1 - 轻量级视觉语言模型 强大性能与高效结构的完美结合
GithubHuggingfacemoondream1人工智能图像识别开源项目模型深度学习视觉问答
moondream1是一个包含1.6B参数的视觉语言模型,基于SigLIP、Phi-1.5和LLaVa训练数据集开发。尽管规模较小,该模型在VQAv2和GQA等基准测试中展现出接近大型模型的性能。moondream1能够解析图像内容,回答相关问题,并生成详细描述。该开源项目仅限于研究用途,不可用于商业应用。研究人员可通过简洁的Python代码实现图像理解和问答功能。
TIPO-500M - 增强文本到图像生成模型的性能与用户体验
GithubHuggingfaceTIPO大型语言模型开源项目提示优化文本到图像模型生成模型
TIPO项目通过大型语言模型进行文本预采样,以优化文本到图像(T2I)系统的提示生成。这种创新框架能够精炼和扩展用户输入的提示,帮助生成优质图像。使用LLAMA架构的TIPO 200M和500M模型在多种数据集上进行训练,以提升生成质量。项目适配稳定扩散界面,经过多项生成任务的测试,表现卓越,为更多用户提供便捷的高品质图像生成体验。
Qwen-VL-Chat - 多语言视觉对话模型 支持图文交互和物体定位
GithubHuggingfaceQwen-VL图像理解多模态开源项目模型自然语言处理视觉语言模型
Qwen-VL-Chat是一款视觉语言对话模型,可处理图像、文本和检测框等多模态输入。该模型支持多语言对话和跨语言图文理解,具备物体定位和细粒度图像识别能力。经过量化优化后,模型显存占用更低、推理速度更快。在图像描述、视觉问答等多项评测基准上表现优异。
DeepSeek-Coder-V2-Lite-Base-GGUF - 文本生成量化模型的高效选择方案
DeepSeek-Coder-V2-Lite-BaseGithubHuggingfacegguf格式开源项目文件下载模型量化高质量模型
该项目通过llama.cpp和imatrix技术对文本生成模型进行量化处理,为不同硬件配置提供优化选择。模型文件允许根据RAM和VRAM大小选择最佳方案,从而提升运行效率。K-quants在多数应用中表现理想,而I-quants提供更优性能但在硬件兼容性上有特定要求。项目提供的工具和文档为用户在进行文本生成任务的过程中提供指导,帮助选择兼顾速度与质量的量化模型。
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

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。

Project Cover

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。

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