fromage
支持多模态输入输出的语言模型
该页面介绍了FROMAGe项目，为其多模态输入输出任务提供代码和模型权重。包含详细的设置指南、预训练检查点、图像检索预计算嵌入、推理和训练示例以及评估脚本。研究人员可使用这些资源在视觉故事讲述和对话生成等任务中实现突破。欢迎访问项目主页和在线演示参与讨论。
项目介绍：FROMAGe
FROMAGe 项目旨在将语言模型与图像相结合，能够处理多模态的输入和输出。此项目已经开放了源代码和模型权重，研究人员和开发者可进一步研究和应用。
模型架构与特点
FROMAGe 模型的设计初衷是通过将语言模型与图像结合来实现多模态功能。模型可以读取文本与图像组合的输入，并生成相应的输出，这无疑扩大了模型的应用范围，比如图像描述、视觉问答等领域。通过框架搭建和模型训练，FROMAGe 实现了在处理复杂图片时提供更准确的响应能力。
环境设置
为了运行 FROMAGe，开发者需要设置一个新的 Python 虚拟环境，并安装所需的库。具体步骤包括创建虚拟环境，激活后通过需求文件安装相关的 Python 依赖包。
安装好库后，还需将 fromage 库加入系统的 PYTHONPATH 中，以确保能够顺利导入相关模块。
预训练模型权重
FROMAGe 的模型权重较小，大约 11MB，已经包含在代码库中。预训练模型主要用来再现论文中报告的结果。此外，库中还提供了一个经过更强视觉层训练的模型，它能更好地表现对话场景。
图像检索的预计算嵌入
为了实现图像检索功能，FROMAGe 使用了预计算的视觉嵌入。这些嵌入文件大约 3GB，可与我们提供的两种模型配置兼容。开发者可以下载这些文件，并将其放置于 fromage_model/ 文件夹中。
推理与训练
开发者可以使用 FROMAGe_example_notebook.ipynb 中提供的示例来进行模型推理。推理过程再现了论文中的一些图表，从而帮助理解模型的工作方式。
在训练方面，FROMAGe 使用 Conceptual Captions 数据集，并提供了详细的数据准备说明。开发者只需依据指引准备数据，即可启动新的训练任务。模型的训练在单张 A6000 GPU 上大约需要 24 小时完成。
权重精剪与单元测试
模型中仅包含少量的预训练线性层和 [RET] 嵌入，因此可以在磁盘空间上进行权重的精简处理。项目中还提供用于本地测试的单元测试，确保代码可以正常运行。
评估与演示
项目中包含脚本，用于在 Visual Storytelling 和 VisDial 上再现结果。提供了 iPython 笔记本格式的脚本，方便开发者进行文本生成和图像检索的评估。
此外，FROMAGe 项目提供了一个 Gradio 演示，开发者可以通过简单地运行脚本或者使用 HuggingFace 的空间来本地启动演示应用。
研究与引用
FROMAGe 项目在 2023 年的 ICML 大会上发布，研究人员若对该工作感兴趣或使用此模型进行进一步研究，建议引用相关文献以表达认可和感谢。
编辑推荐精选
Trae
字节跳动发布的AI编程神器IDE
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。
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。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者 提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
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