124B参数的多模态大型语言模型
先进的多模态大型语言模型系列
基于InternViT-6B-448px-V1-5的增强版视觉模型
多模态大型语言模型,支持图像与文本的交互理解。
先进的多模态模型,支持图像和文本理解。Phi-3.5-vision官网入口网址
TheoremExplainAgent 是一个用于生成多模态定理解释视频的智能系统。
Migician 是一个专注于多图像定位的多模态大语言模型,能够实现自由形式的多图像精确定位。
EgoLife是一个长期、多模态、多视角的日常生活AI助手项目,旨在推进长期上下文理解研究。
用于多模态上下文中的检索增强生成的基准测试代码库。
MedRAX是一个用于胸部X光片解读的医疗推理AI代理,整合多种分析工具,无需额外训练即可处理复杂医疗查询。
SmolVLM-256M 是世界上最小的多模态模型,可高效处理图像和文本输入并生成文本输出。
Janus-Pro-7B 是一个新型的自回归框架,统一多模态理解和生成。
InternVL2.5-MPO系列模型,基于InternVL2.5和混合偏好优化,展现卓越性能。
多模态大型语言模型的优化与分析
统一文本、音乐和动作生成模型
定制化漫画生成模型,连接多模态LLMs和扩散模型。
视觉语言模型的最新进展,集成微信AI的新技术
多模态大型语言模型,提升视觉和语言的综合理解能力
多模态大型语言模型,支持图像与文本的深度交互
多模态大型语言模型,融合视觉与语言理解。
Magma-8B 是微软推出的一款多模态 AI 模型,能够处理图像和文本输入并生成文本输出。
CUA 是一种能够通过图形界面与数字世界交互的通用接口。
Gemini 2.0 是谷歌推出的最新一代生成式 AI 模型,包含 Flash、Flash-Lite 和 Pro 版本。
一个用于智能设备等的多模态原生代理框架。
Gemini 2.0 Flash Thinking Experimental 是一款增强推理模型,能够展示其思考过程以提升性能和可解释性。
MiniCPM-o 2.6是一个强大的多模态大型语言模型,适用于视觉、语音和多模态直播。
下一代多模态智能模型
多模态原生混合专家模型
情感丰富的多模态语言模型
低延迟的实时语音交互API
WePOINTS项目,提供多模态模型的统一框架
先进的多模态大型语言模型
- 智能浏览器新标签页 -
完全免费 · 简洁大方功能丰富 · 高效舒适