ComfyUI_VLM_nodes
简化了多种生成式视觉语言模型，提供多功能节点
ComfyUI_VLM_nodes项目简化了多种生成式视觉语言模型（VLM）如LLaVa、AudioLDM-2和Chat Musician的集成，支持Windows、Linux和macOS平台。项目提供多功能节点，实现结构化输出、自动提示生成、图像转音乐等功能。还包含了如UForm-Gen2 Qwen节点和moondream2模型节点，适用于快速图像字幕生成和视觉问答。该工具显著提高了研究与开发效率，适合广泛的图像处理任务，专为研究和非商业用途设计。
项目介绍：ComfyUI_VLM_nodes
项目概况
ComfyUI_VLM_nodes 是一个帮助用户更好地运用视觉语言模型（VLM）的项目。该项目通过多种节点设计，使用户能够在 Python 3.9 环境下，灵活加载和使用不同格式的 VLM 模型。它支持在 Windows 和 Linux 平台上运行，用户只需在 custom_nodes 目录下克隆项目即可。
项目功能
VLM Nodes
该项目利用了 llama-cpp-python，允许用户集成 LLaVa 模型。通过这些节点，用户可以加载任何与 LLaVa 模型兼容的 VLM 模型。必要的模型文件需要放置在 models/LLavacheckpoints 文件夹中。
结构化输出
ComfyUI_VLM_nodes 提供了结构化输出节点，使得通过简单的提示工程便能得到清晰可靠的答案。用户可以提取实体、数字，或按类进行提示分类，还可以根据具体需求生成特定的提示。
图像到音乐
项目利用视觉语言模型（VLM）、大语言模型（LLM）及 AudioLDM-2 技术，从图像生成音乐。生成的音乐会保存在 output 文件夹中。
LLM 转音乐
借助 Chat Musician 开源项目，该模块将语言模型的内在音乐能力转化为实际音乐内容。用户可以选择 ChatMusician.Q5_K_M.gguf 或 ChatMusician.Q5_K_S.gguf 文件来尝试此功能。
自动化提示生成与建议节点
- 获取关键词节点：从 LLava 输出中提取关键词。
- LLava 提示生成器节点：基于描述或关键词创建提示。
- 建议节点：生成多个不同的提示。
特殊模型节点
InternLM-XComposer2-VL Node
集成了 InternLM-XComposer2-VL 模型，专为视觉感知而设。这是一个比较重的模型，需要较大存储空间。
UForm-Gen2 Qwen Node
UForm-Gen2 是 一个快速的小型生成视觉语言模型，用于图像描述和视觉问答。
Kosmos-2 Node
Kosmos-2 结合多模态大语言模型，从视觉语言模型中获得更深入的世界理解能力。
moondream 模型节点
moondream1 和 moondream2 同属视听模型，前者拥有16亿参数量，主打小型设备上的高效运行。
JoyTag Node
JoyTag 是一个革命性的图像标记模型，专注于性别包容和多样性，只用于研究目的。
Qwen2-VL Node
支持不同分辨率、比例及多语言的视觉语言模型，适用于复杂的视觉推理和决策。
应用示例
项目文档中包含多种功能实例展示，包括图像到音乐、自动化提示生成、LLaVa 采样器高级、以及简单聊天等场景展示。
通过 ComfyUI_VLM_nodes，研究人员和开发者可以更加便捷地进行 VLM 实验，体验视觉语言模型的创新应用。
编辑推荐精选
TRAE编程
AI辅助编程，代码自动修复
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号