多模态AI工具汇总：实用资源一览
Vidu
AI工具Vidu
高效视频生成平台，支持文本与图像转换成视频
ultravox-v0_4
模型语音识别
结合语音与文本处理的多模态模型
LanguageBind_Audio
语义对齐公开源码
语言驱动的多模态预训练解决方案
VILA1.5-13b
VILAGithub
多图像推理与跨设备应用的视觉语言模型
Llama-3.1-Unhinged-Vision-8B-GGUF
Meta Llama 3.1多模态
新的多模态内容处理AI模型
Qwen2-VL-72B-Instruct-GPTQ-Int8
视觉理解Qwen2-VL
改进视觉和文本处理能力的多模态模型
MiniCPM-V-2
场景文本理解MiniCPM-V
多模态语言模型，支持跨平台高效部署
Lumina-mGPT-7B-768
开源项目模型
自回归多模态模型在图像生成和语言任务中的应用
Qwen2-VL-7B-Instruct-GPTQ-Int8
自动操作Qwen2-VL
Qwen2-VL模型：支持多语言的视觉理解与设备自动化
InternVL2-40B
场景文本理解视觉理解
强化跨模态大语言模型的能力
Ovis1.6-Gemma2-9B
图像处理Github
Ovis1.6-Gemma2-9B开源多模态大语言模型的嵌入对齐解决方案
layoutlmv2-large-uncased
开源项目模型
提升多模态文档处理能力的先进预训练模型
llava-v1.6-vicuna-13b-hf
图像文本问答生成优化
多模态聊天机器人：增强图像识别和常识推理能力
Idefics3-8B-Llama3
Huggingface模型优化
提升视觉文本处理能力的多模态模型
Qwen2-VL-2B-Instruct-GPTQ-Int4
机器人人工智能视频理解
Qwen2-VL推动多模态与自动化的跨语言视觉处理进步
llava-v1.6-34b
自然语言处理计算机视觉
大规模多模态模型的开源项目介绍
InternVL2-2B-AWQ
开源项目图像文本
跨多语言多图像任务的高效视觉语言模型
MobileVLM-1.7B
多模态MobileVLM
移动设备优化的高效多模态视觉语言模型
llava-next-interleave-qwen-7b
开源项目模型
研究大规模多模态与聊天机器人的开源自回归语言模型
flava-full
模型限制开源项目
FLAVA模型的零样本图像和文本检索能力
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