多模态AI工具汇总：实用资源一览
llava-onevision-qwen2-0.5b-ov
多模态图像处理
支持多模态输入的视觉语言AI模型
cogvlm-chat-hf
模型开源
开源视觉语言模型CogVLM在多项跨模态基准测试中超越PaLI-X 55B
LLaVA-NeXT-Video-7B-hf
模型人工智能
先进多模态AI模型实现视频和图像理解
MiniCPM-V-2_6-int4
模型MiniCPM-V
精简高效的多语言视觉AI对话模型
llava-v1.6-mistral-7b
模型Huggingface
LLaVA-v1.6：融合图像与文本理解的开源多模态AI模型
Qwen-Audio-Chat
模型多任务学习
多模态音频语言模型支持多种音频类型和复杂场景分析
NVLM-D-72B
模型人工智能
开源前沿级多模态大语言模型 实现视觉语言任务的最新突破
llava-onevision-qwen2-7b-ov-chat
多模态图像处理
LLaVA-OneVision多模态AI模型支持图像和视频交互
llava-onevision-qwen2-0.5b-si
模型Github
多模态AI模型实现图像、多图和视频的智能交互
llama3-llava-next-8b-hf
模型LLaVA-NeXT
LLaVA-NeXT：Llama 3驱动的多模态AI模型
InternVL2-4B
多模态Huggingface
先进多模态大语言模型探索视觉语言理解新高度
colpali-v1.2
ColPali语言模型
基于PaliGemma-3B和ColBERT策略的创新视觉文档检索模型
Qwen2-VL-7B-Instruct-AWQ
模型图像理解
先进视觉语言模型实现多分辨率图像和长视频理解
llava-onevision-qwen2-7b-ov
图像识别多模态
基于Qwen2的多模态模型 支持图像和视频理解
Qwen2-VL-2B-Instruct
模型图像理解
先进的多模态AI模型 支持高分辨率图像和长视频理解
bridgetower-large-itm-mlm-itc
模型开源项目
BridgeTower 优化视觉语言表示学习的创新模型
LanguageBind_Video_FT
多模态Huggingface
基于语言的多模态预训练方法扩展到N种模态
Qwen2-VL-72B-Instruct-AWQ
模型开源项目
强大多模态AI实现高分辨率图像和长视频深度理解
nomic-embed-vision-v1
图像嵌入模型
共享文本空间的先进视觉嵌入模型
llava-1.5-7b-hf
模型图像文本生成
基于Llama 2的多模态AI模型 实现图像理解与对话
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