MiniGPT-4

LLaVA

AI 模型

大型多模态模型，它将视觉编码器与语言模型相结合，用于通用的视觉和语言理解。它在多模态聊天能力方面表现出色，模仿 GPT-4，并通过视觉指令调优在 Science QA 等基准测试中取得了最先进的准确率。LLaVA 是一个大型多模态模型，它将视觉编码器与语言模型相结合，用于通用的视觉和语言理解。它在多模态聊天能力方面表现出色，模仿 GPT-4，并通过视觉指令调优在 Science QA 等基准测试中取得了最先进的准确率。

Flamingo

AI 模型

来自 Google DeepMind 的单一视觉语言模型 (VLM)，在各种多模态任务的少样本学习方面表现出色。它处理交错的图像、视频和文本，以生成相关的语言输出，仅需极少的特定任务示例即可完成，无需额外训练。Flamingo 是来自 Google DeepMind 的单一视觉语言模型 (VLM)，在各种多模态任务的少样本学习方面表现出色。它处理交错的图像、视频和文本，以生成相关的语言输出，仅需极少的特定任务示例即可完成，无需额外训练。

MiniGPT-4 & MiniGPT-v2

AI GitHub 仓库

MiniGPT-4 和 MiniGPT-v2 的开源代码，先进的大型语言模型，增强视觉-语言理解能力。这些模型支持视觉-语言任务的多任务学习，提供图像理解和生成能力。它们基于 Llama 2 和 Vicuna 模型构建，为研究人员和开发人员提供了强大的工具。

LLaVA

AI GitHub 仓库

视觉指令调优模型，结合了大型语言和视觉能力。其目标是达到 GPT-4V 级别的性能，实现多模态理解和交互。该项目为研究人员和开发者提供了代码、模型和资源。LLaVA 是一个视觉指令调优模型，结合了大型语言和视觉能力。其目标是达到 GPT-4V 级别的性能，实现多模态理解和交互。该项目为研究人员和开发者提供了代码、模型和资源。

Phi-4-reasoning-vision-15B

AI 模型

微软开发的多模态AI模型，旨在处理需要视觉-语言理解和推理能力的任务。它在科学推理和计算机使用代理任务中表现出色，适用于各种应用。Phi-4-reasoning-vision-15B是微软开发的多模态AI模型，旨在处理需要视觉-语言理解和推理能力的任务。它在科学推理和计算机使用代理任务中表现出色，适用于各种应用。

Google Research 开发的一款文本到图像扩散模型，它能生成具有深刻语言理解能力的逼真图像。Imagen 在图像-文本对齐和样本保真度方面表现出色，在人类评估中优于其他模型，并在 COCO 等基准测试中取得了最先进的 FID 分数。Imagen 是 Google Research 开发的一款文本到图像扩散模型，它能生成具有深刻语言理解能力的逼真图像。Imagen 在图像-文本对齐和样本保真度方面表现出色，在人类评估中优于其他模型，并在 COCO 等基准测试中取得了最先进的 FID 分数。

UNITER

AI GitHub 仓库

ECCV 2020 论文“UNITER: UNiversal Image-TExt Representation Learning”的研究代码库。它提供了用于各种视觉-语言任务（包括 VQA、VCR 和图像-文本检索）的微调和推理代码。UNITER-base 和 UNITER-large 的预训练检查点均可用。UNITER 是 ECCV 2020 论文“UNITER: UNiversal Image-TExt Representation Learning”的研究代码库。它提供了用于各种视觉-语言任务（包括 VQA、VCR 和图像-文本检索）的微调和推理代码。UNITER-base 和 UNITER-large 的预训练检查点均可用。

DeBERTa - 微软研究院

AI 模型

微软研究院开发的大规模预训练语言模型。其性能超越 T5 11B 模型，并在 SuperGLUE 基准测试中取得了接近人类水平的结果。该先进模型为自然语言理解任务提供了强大的能力。DeBERTa 是微软研究院开发的大规模预训练语言模型。其性能超越 T5 11B 模型，并在 SuperGLUE 基准测试中取得了接近人类水平的结果。该先进模型为自然语言理解任务提供了强大的能力。