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。

Chat-UniVi - 基于动态视觉令牌的图像视频双模态理解模型
Chat-UniViGithubHuggingface图像处理多模态大语言模型开源项目模型视频理解
Chat-UniVi是一个创新的大语言模型框架,采用动态视觉令牌技术实现图像和视频的统一处理。通过混合数据集训练,模型可同时处理图像空间信息和视频时序关系,性能超越了单一模态的专用模型。该项目为多模态AI技术发展提供了新的解决方案。
ddpm-celebahq-256 - 高效的无条件图像生成与渐进解压的新型扩散模型
DDPMGithubHuggingface图像合成图像降噪开源项目无条件图像生成模型深度学习
本项目使用去噪扩散概率模型,实现了高质量的图像合成,借鉴了不平衡热力学,创新性地结合了变分界限和去噪评分匹配,并通过Langevin动力学实现渐进的解压缩。模型在CIFAR10数据集上取得了9.46的Inception得分和3.17的最新FID得分,在256x256 LSUN上样本质量与ProgressiveGAN相近。推理中可使用离散噪声调度器如ddpm、ddim或pndm,ddim和pndm在速度和质量上表现出色。项目支持用户自主训练模型,并提供官方示例用于推理和训练。
DanTagGen-delta-rev2 - 开源二次元图像标签生成模型 支持多平台部署
DanTagGenGithubHuggingface人工智能图像标签生成开源项目机器学习模型深度学习
DanTagGen-delta-rev2是一款专注于动漫图像标签生成的开源工具。通过输入图像质量、评分和艺术家等参数,可快速生成相应标签,广泛应用于AI绘画和数据集标注。项目支持llama.cpp和HuggingFace Space等多种部署方式,并集成了SD-WebUI扩展和ComfyUI节点等实用工具。相比前代版本,新版本在标签多样性和稳定性方面有显著提升。
kosmos-2-patch14-224 - Kosmos-2模型实现视觉语言融合的理解与生成
GithubHuggingfaceKosmos-2图像理解多模态大语言模型开源项目模型自然语言处理视觉问答
Kosmos-2是一个融合视觉和语言的多模态模型,支持图像描述、视觉问答和指代理解等任务。它能识别图中物体并生成带定位信息的文本,展示了强大的跨模态能力。该模型已在Hugging Face平台开源,方便研究人员进行实验和应用开发。
dinov2 - 通过无监督学习构建强大视觉特征的先进方法
DINOv2GithubVision Transformer开源项目自监督学习视觉特征计算机视觉
DINOv2是一种先进的无监督视觉特征学习方法,在1.42亿张未标注图像上预训练后生成高性能、鲁棒的通用视觉特征。这些特征可直接应用于多种计算机视觉任务,仅需简单线性分类器即可实现优异效果。DINOv2提供多种预训练模型,包括带寄存器的变体,在ImageNet等基准测试中表现卓越。
CLIP-ViT-H-14-laion2B-s32B-b79K - 基于LAION-2B数据集的多功能视觉-语言模型
CLIPGithubHuggingfacezero-shot图像分类开源项目数据集机器学习模型
CLIP-ViT-H-14-laion2B-s32B-b79K是基于LAION-2B数据集训练的视觉-语言模型。该模型在ImageNet-1k上达到78.0%的零样本Top-1准确率,适用于图像分类、图像文本检索等任务。此外,它还支持图像分类微调、线性探测和图像生成指导等下游应用。研究人员可借助该模型探索零样本图像分类技术,并评估其潜在影响。
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。
MiniCPM-V-2_6-int4 - 精简高效的多语言视觉AI对话模型
GithubHugging FaceHuggingfaceMiniCPM-V图像识别多模态开源项目模型量化模型
MiniCPM-V-2_6-int4是一款经过int4量化的多语言视觉对话模型,GPU内存占用仅约7GB。该模型支持图像理解、OCR、多图像处理和视频分析等视觉任务,可通过Python代码实现流式输出。作为一个资源友好型视觉AI工具,MiniCPM-V-2_6-int4在保持性能的同时提高了部署效率,适合开发者进行各类视觉AI应用开发。
blip-itm-base-flickr - 用于视觉语言理解和生成的多功能开源工具
BLIPGithubHuggingface图像文本匹配开源项目数据集模型生成任务视觉语言理解
BLIP通过生成并过滤图像描述,有效地增强了视觉与语言结合任务的能力,如图像文本检索、图像描述生成和视觉问答。其在实际应用中的优异表现及对视频语言任务的零样本迁移能力,使其成为研究人员的理想工具。
Qwen2-VL-7B-Instruct-AWQ - 先进视觉语言模型实现多分辨率图像和长视频理解
GithubHuggingfaceQwen2-VL图像理解多模态开源项目模型视觉语言模型视频理解
Qwen2-VL-7B-Instruct-AWQ是一款支持多分辨率图像和长视频理解的视觉语言模型。该模型在视觉理解基准测试中表现出色,具备复杂推理和决策能力,可应用于移动设备和机器人自动操作。模型支持多语言处理,采用动态分辨率和多模态旋转位置嵌入等技术,显著提升了多模态处理能力。
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

天工AI音乐

天工AI音乐平台支持音乐创作,特别是在国风音乐领域。该平台适合新手DJ和音乐爱好者使用,帮助他们启动音乐创作,增添生活乐趣,同时发现和分享新音乐。

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