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。

glm-4v-9b - 开源多模态AI模型GLM-4V-9B展现卓越性能
GLM-4V-9BGithubHuggingface图像描述多模态模型开源项目模型自然语言处理视觉理解
GLM-4V-9B是一款由智谱AI开发的开源多模态人工智能模型,支持1120x1120高分辨率下的中英双语多轮对话。该模型在综合能力、感知推理、文字识别和图表理解等多个领域表现优异,与GPT-4-turbo、Gemini 1.0 Pro等主流模型相比具有竞争力。GLM-4V-9B支持8K上下文长度,为研究者和开发者提供了强大的视觉理解和语言处理能力。
Qwen2-VL-72B-Instruct-AWQ - 强大多模态AI实现高分辨率图像和长视频深度理解
GithubHuggingfaceQwen2-VL多模态大语言模型开源项目模型视觉理解视频理解
Qwen2-VL-72B-Instruct-AWQ是一款先进的多模态AI模型,在图像和视频理解方面表现卓越。这个模型能够处理各种分辨率的图像,理解超过20分钟的长视频,并支持多语言文本识别。通过采用动态分辨率和多模态旋转位置编码等创新技术,该模型在视觉理解基准测试中展现了领先优势。Qwen2-VL作为通用视觉语言模型,可广泛应用于复杂推理和内容创作等多个领域。
SPO-SDXL_4k-p_10ep - 新型步骤感知优化技术实现高质量AI图像生成
AI绘图GithubHuggingfaceSPO图像生成开源项目模型模型优化深度学习
SPO-SDXL_4k-p_10ep模型采用步骤感知优化技术,通过独立评估和调整去噪步骤性能,显著提升了AI图像生成质量。相比传统DPO方法,该模型训练效率提升20倍,在处理复杂提示词和图像美学方面表现优异。模型基于SDXL基础版本开发,经过4000个提示词、10轮训练优化,能够生成更符合用户需求的高质量图像。
Florence-2-base - 多任务视觉处理的统一基础模型
Florence-2GithubHuggingface人工智能图像处理多任务学习开源项目模型计算机视觉
Florence-2是一个视觉基础模型,可处理多种视觉和视觉语言任务。该模型通过解释文本提示执行图像描述、物体检测和分割等功能。Florence-2利用FLD-5B数据集进行训练,在零样本和微调场景下均表现优异。它支持图像描述、物体检测、区域描述等多项任务,为视觉应用提供了统一的基础架构。
llava-onevision-qwen2-7b-ov-chat - LLaVA-OneVision多模态AI模型支持图像和视频交互
GithubHuggingfaceLLaVA-OneVision图像处理多模态开源项目模型深度学习自然语言处理
LLaVA-OneVision是一款基于Qwen2架构的多模态AI模型,专门针对聊天场景进行优化。该模型通过多阶段训练,包括LCS-558K预训练、高质量合成数据训练和单图数据训练等,最终经过RLHF进一步提升性能。它能够与图像、多图和视频进行交互,同时保持良好的指令遵循能力,是一个versatile的视觉语言模型。
HPSv2 - 文本到图像生成模型评估的全面基准测试框架
GithubHPS v2人类偏好评分图像生成模型基准测试开源项目文本到图像合成
HPSv2是一个评估文本到图像生成模型的先进基准测试框架。该框架基于大规模人类偏好数据集HPDv2训练,可准确预测人类对生成图像的偏好。HPSv2提供公平、稳定且易用的评估方法,涵盖动画、概念艺术、绘画和照片四种风格。研究人员可利用HPSv2比较不同模型性能或评估自研模型。项目提供PyPI包和在线演示,便于快速上手使用。
CLIP-ViT-B-32-256x256-DataComp-s34B-b86K - 基于DataComp训练的CLIP多模态视觉语言模型
CLIPDataComp-1BGithubHuggingfaceViT-B-32图像分类开源项目机器学习模型
CLIP ViT-B/32是一个在DataComp-1B数据集上训练的视觉语言模型,通过OpenCLIP框架实现。模型在ImageNet-1k分类任务中实现72.7%零样本准确率,支持图像分类、跨模态检索等研究任务。该开源项目为计算机视觉研究提供了重要的实验基础
MiniGPT-4 - 视觉语言多任务学习的统一接口
GithubMiniGPT-v2图像理解多任务学习大型语言模型开源项目视觉语言模型
MiniGPT-4是一个视觉语言理解项目,整合了Llama 2和Vicuna模型以增强多模态能力。它支持图像描述、视觉问答和多任务学习,能够处理复杂的视觉理解任务。项目的开源性和灵活架构为研究人员和开发者提供了探索视觉语言AI的工具。
CogView - 中文文字生成逼真图像,支持英文和中文输入
CogViewGithubImageRewardNeurIPS 2023text-to-imagetransformer开源项目
CogView是一个基于4B参数预训练的转换器,用于生成通用领域的文本到图像。最新版本CogView2显著提升了生成速度,并扩展支持英文输入。用户可以通过Github和Wudao平台体验并下载预训练模型。项目还包含超分辨率和图像到文本转换功能,并提供详细的设置和运行指南。该项目获得NeurIPS 2021认可,并推荐使用PB-relax和Sandwich-LN技术稳定训练大型转化器。
CogVLM - 开源视觉语言模型,提升图像理解与跨模态对话功能
CogAgentCogVLMGithub图像理解多回合对话开源项目跨模态基准测试
CogVLM和CogAgent是领先的开源视觉语言模型,专注于图像理解和跨模态任务。CogVLM-17B拥有100亿视觉参数和70亿语言参数,并在NoCaps、Flicker30k等十个经典跨模态基准测试上表现出色。CogAgent在CogVLM的基础上改进,增添了GUI图像代理能力,支持1120*1120分辨率的图像理解,并在VQAv2、TextVQA等九个基准测试中表现优秀。该项目提供详细的技术文档、示例代码和Web演示,用户可以方便地进行模型推理和微调。了解更多信息,请访问项目主页。
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