# 多任務

VisualCloze 是一個通過視覺上下文學習的通用圖像生成框架，旨在解決傳統任務特定模型在多樣化需求下的低效率問題。該框架不僅支持多種內部任務，還能泛化到未見過的任務，通過可視化示例幫助模型理解任務。這種方法利用了先進的圖像填充模型的強生成先驗，為圖像生成提供了強有力的支持。

Wan2GP 是基於 Wan2.1 的改進版本，旨在為低配置 GPU 用戶提供高效、低內存佔用的視頻生成解決方案。該模型通過優化內存管理和加速算法，使得普通用戶也能在消費級 GPU 上快速生成高質量的視頻內容。它支持多種任務，包括文本到視頻、圖像到視頻、視頻編輯等，同時具備強大的視頻 VAE 架構，能夠高效處理 1080P 視頻。Wan2GP 的出現降低了視頻生成技術的門檻，使得更多用戶能夠輕鬆上手並應用於實際場景。

Wan2.1 是一款開源的先進大規模視頻生成模型，旨在推動視頻生成技術的邊界。它通過創新的時空變分自編碼器（VAE）、可擴展的訓練策略、大規模數據構建和自動化評估指標，顯著提升了模型的性能和通用性。Wan2.1 支持多種任務，包括文本到視頻、圖像到視頻、視頻編輯等，能夠生成高質量的視頻內容。該模型在多個基準測試中表現優異，甚至超越了一些閉源模型。其開源特性使得研究人員和開發者可以自由使用和擴展該模型，適用於多種應用場景。

PaliGemma 2 mix 是 Google 推出的升級版視覺語言模型，屬於 Gemma 家族。它能夠處理多種視覺和語言任務，如圖像分割、視頻字幕生成、科學問題回答等。該模型提供不同大小的預訓練檢查點（3B、10B 和 28B 參數），可輕鬆微調以適應各種視覺語言任務。其主要優點是多功能性、高性能和開發者友好性，支持多種框架（如 Hugging Face Transformers、Keras、PyTorch 等）。該模型適用於需要高效處理視覺和語言任務的開發者和研究人員，能夠顯著提升開發效率。

Llama-3.1-Tulu-3-8B-SFT是Tülu3模型家族中的一員，這是一個領先的指令遵循模型家族，提供完全開源的數據、代碼和配方，旨在為現代後訓練技術提供全面的指南。該模型不僅在聊天任務上表現出色，還在MATH、GSM8K和IFEval等多樣化任務上展現了卓越的性能。

LEO是一個基於大型語言模型的多模態、多任務全能代理人，能夠在3D世界中感知、定位、推理、規劃和執行任務。LEO通過兩個階段的訓練實現：（i）3D視覺語言對齊和（ii）3D視覺語言動作指令調整。我們精心策劃和生成了一個包含物體級和場景級多模態任務的大規模數據集，需要對3D世界進行深入的理解和交互。通過嚴格的實驗，我們展示了LEO在3D字幕、問答、推理、導航和機器人操作等廣泛任務中的出色表現。