優質新品

Phi 4 Multimodal Instruct
Phi-4-multimodal-instruct 是微軟開發的多模態基礎模型,支持文本、圖像和音頻輸入,生成文本輸出。該模型基於Phi-3.5和Phi-4.0的研究和數據集構建,經過監督微調、直接偏好優化和人類反饋強化學習等過程,以提高指令遵循能力和安全性。它支持多種語言的文本、圖像和音頻輸入,具有128K的上下文長度,適用於多種多模態任務,如語音識別、語音翻譯、視覺問答等。該模型在多模態能力上取得了顯著提升,尤其在語音和視覺任務上表現出色。它為開發者提供了強大的多模態處理能力,可用於構建各種多模態應用。
AI模型
62.1K

Smolvlm 500M Instruct
SmolVLM-500M 是由 Hugging Face 開發的輕量級多模態模型,屬於 SmolVLM 系列。該模型基於 Idefics3 架構,專注於高效的圖像和文本處理任務。它能夠接受任意順序的圖像和文本輸入,生成文本輸出,適用於圖像描述、視覺問答等任務。其輕量級架構使其能夠在資源受限的設備上運行,同時保持強大的多模態任務性能。該模型採用 Apache 2.0 許可證,支持開源和靈活的使用場景。
AI模型
50.8K

Omagent.com
OmAgent是一個多模態原生代理框架,用於智能設備等。它採用分治算法高效解決複雜任務,能預處理長視頻並以類似人類的精度進行問答,還能基於用戶請求和可選天氣條件提供個性化服裝建議等。目前官網未明確顯示價格,但從功能來看,主要面向需要高效任務處理和智能交互的用戶群體,如開發者、企業等。
智能體
46.9K

Paligemma2 3b Pt 224
PaliGemma 2是由Google開發的視覺-語言模型,它結合了SigLIP視覺模型和Gemma 2語言模型的能力,能夠處理圖像和文本輸入,並生成相應的文本輸出。該模型在多種視覺-語言任務上表現出色,如圖像描述、視覺問答等。其主要優點包括強大的多語言支持、高效的訓練架構以及在多種任務上的優異性能。PaliGemma 2的開發背景是為了解決視覺和語言之間的複雜交互問題,幫助研究人員和開發者在相關領域取得突破。
AI模型
46.9K

Paligemma2 3b Pt 448
PaliGemma 2是一個由Google開發的視覺-語言模型,繼承了Gemma 2模型的能力,能夠處理圖像和文本輸入並生成文本輸出。該模型在多種視覺語言任務上表現出色,如圖像描述、視覺問答等。其主要優點包括強大的多語言支持、高效的訓練架構和廣泛的適用性。該模型適用於需要處理視覺和文本數據的各種應用場景,如社交媒體內容生成、智能客服等。
AI模型
46.9K

Internvl2 5 26B MPO
InternVL2_5-26B-MPO是一個多模態大型語言模型(MLLM),它在InternVL2.5的基礎上,通過混合偏好優化(Mixed Preference Optimization, MPO)進一步提升了模型性能。該模型能夠處理包括圖像、文本在內的多模態數據,廣泛應用於圖像描述、視覺問答等場景。它的重要性在於能夠理解和生成與圖像內容緊密相關的文本,推動了多模態人工智能的邊界。產品背景信息包括其在多模態任務中的卓越性能,以及在OpenCompass Learderboard中的評估結果。該模型為研究者和開發者提供了強大的工具,以探索和實現多模態人工智能的潛力。
AI模型
53.3K

Internvl2 5 1B MPO
InternVL2_5-1B-MPO是一個多模態大型語言模型(MLLM),它基於InternVL2.5和混合偏好優化(MPO)構建,展示了優越的整體性能。該模型集成了新增量預訓練的InternViT與各種預訓練的大型語言模型(LLMs),包括InternLM 2.5和Qwen 2.5,使用隨機初始化的MLP投影器。InternVL2.5-MPO在模型架構上保留了與InternVL 2.5及其前身相同的“ViT-MLP-LLM”範式,並引入了對多圖像和視頻數據的支持。該模型在多模態任務中表現出色,能夠處理包括圖像描述、視覺問答等多種視覺語言任務。
AI模型
56.0K

Deepseek VL2 Small
DeepSeek-VL2是一系列先進的大型混合專家(MoE)視覺語言模型,相較於前代DeepSeek-VL有顯著提升。該模型系列在視覺問答、光學字符識別、文檔/表格/圖表理解以及視覺定位等多種任務上展現出卓越的能力。DeepSeek-VL2由三種變體組成:DeepSeek-VL2-Tiny、DeepSeek-VL2-Small和DeepSeek-VL2,分別擁有10億、28億和45億激活參數。DeepSeek-VL2在激活參數相似或更少的情況下,與現有的開源密集型和基於MoE的模型相比,達到了競爭性或最先進的性能。
AI模型
54.4K

Deepseek VL2
DeepSeek-VL2是一系列大型Mixture-of-Experts視覺語言模型,相較於前代DeepSeek-VL有顯著提升。該模型系列在視覺問答、光學字符識別、文檔/表格/圖表理解以及視覺定位等任務上展現出卓越的能力。DeepSeek-VL2包含三個變體:DeepSeek-VL2-Tiny、DeepSeek-VL2-Small和DeepSeek-VL2,分別擁有1.0B、2.8B和4.5B激活參數。DeepSeek-VL2在激活參數相似或更少的情況下,與現有的開源密集和MoE基礎模型相比,達到了競爭性或最先進的性能。
AI模型
90.8K

Pixtral 12B 2409
Pixtral-12B-2409是由Mistral AI團隊開發的多模態模型,包含12B參數的多模態解碼器和400M參數的視覺編碼器。該模型在多模態任務中表現出色,支持不同尺寸的圖像,並在文本基準測試中保持最前沿的性能。它適用於需要處理圖像和文本數據的高級應用,如圖像描述生成、視覺問答等。
AI圖像生成
45.5K

Videollama2 7B
VideoLLaMA2-7B是由DAMO-NLP-SG團隊開發的多模態大型語言模型,專注於視頻內容的理解和生成。該模型在視覺問答和視頻字幕生成方面具有顯著的性能,能夠處理複雜的視頻內容,並生成準確、自然的語言描述。它在空間-時間建模和音頻理解方面進行了優化,為視頻內容的智能分析和處理提供了強大的支持。
AI視頻生成
75.3K

Videollama2 7B Base
VideoLLaMA2-7B-Base 是由 DAMO-NLP-SG 開發的大型視頻語言模型,專注於視頻內容的理解與生成。該模型在視覺問答和視頻字幕生成方面展現出卓越的性能,通過先進的空間時間建模和音頻理解能力,為用戶提供了一種新的視頻內容分析工具。它基於 Transformer 架構,能夠處理多模態數據,結合文本和視覺信息,生成準確且富有洞察力的輸出。
AI視頻生成
79.2K

Idefics 80b
HuggingFaceM4/idefics-80b-instruct是一個開源的多模態模型,它可以接受圖像和文本的輸入,輸出相關的文本內容。該模型在視覺問答、圖像描述等任務上表現出色,是一個通用的智能助手模型。它由Hugging Face團隊開發,基於開放數據集訓練,提供免費使用。
AI模型
62.1K

Kosmos 2
Kosmos-2是一個多模態大型語言模型,可以將自然語言與圖像、視頻等多種形式的輸入進行關聯。它可以用於短語定位、指代表達理解、指代表達生成、圖像描述和視覺問答等任務。Kosmos-2使用了GRIT數據集,該數據集包含了大量的圖像-文本對,可以用於模型的訓練和評估。Kosmos-2的優勢在於它可以將自然語言與視覺信息進行關聯,從而提高了模型的表現。
AI模型
55.8K

SEED
SEED是一個大規模預訓練的模型,通過對交錯的文本和視覺數據進行預訓練和指導調整,展現了在廣泛的多模態理解和生成任務上的出色性能。SEED還具有組合性新興能力,例如多輪上下文多模態生成,就像您的AI助手一樣。SEED還包括SEED Tokenizer v1和SEED Tokenizer v2,它們可以將文本轉換為圖像。
AI模型
61.0K
精選AI產品推薦
中文精選

騰訊混元圖像 2.0
騰訊混元圖像 2.0 是騰訊最新發布的 AI 圖像生成模型,顯著提升了生成速度和畫質。通過超高壓縮倍率的編解碼器和全新擴散架構,使得圖像生成速度可達到毫秒級,避免了傳統生成的等待時間。同時,模型通過強化學習算法與人類美學知識的結合,提升了圖像的真實感和細節表現,適合設計師、創作者等專業用戶使用。
圖片生成
80.9K
國外精選

Lovart
Lovart 是一款革命性的 AI 設計代理,能夠將創意提示轉化為藝術作品,支持從故事板到品牌視覺的多種設計需求。其重要性在於打破傳統設計流程,節省時間並提升創意靈感。Lovart 當前處於測試階段,用戶可加入等候名單,隨時體驗設計的樂趣。
AI設計工具
64.0K

Fastvlm
FastVLM 是一種高效的視覺編碼模型,專為視覺語言模型設計。它通過創新的 FastViTHD 混合視覺編碼器,減少了高分辨率圖像的編碼時間和輸出的 token 數量,使得模型在速度和精度上表現出色。FastVLM 的主要定位是為開發者提供強大的視覺語言處理能力,適用於各種應用場景,尤其在需要快速響應的移動設備上表現優異。
AI模型
51.1K

Keysync
KeySync 是一個針對高分辨率視頻的無洩漏唇同步框架。它解決了傳統唇同步技術中的時間一致性問題,同時通過巧妙的遮罩策略處理表情洩漏和麵部遮擋。KeySync 的優越性體現在其在唇重建和跨同步方面的先進成果,適用於自動配音等實際應用場景。
視頻編輯
48.6K

Manus
Manus 是由 Monica.im 研發的全球首款真正自主的 AI 代理產品,能夠直接交付完整的任務成果,而不僅僅是提供建議或答案。它採用 Multiple Agent 架構,運行在獨立虛擬機中,能夠通過編寫和執行代碼、瀏覽網頁、操作應用等方式直接完成任務。Manus 在 GAIA 基準測試中取得了 SOTA 表現,展現了強大的任務執行能力。其目標是成為用戶在數字世界的‘代理人’,幫助用戶高效完成各種複雜任務。
個人助理
1.5M

Trae國內版
Trae是一款專為中文開發場景設計的AI原生IDE,將AI技術深度集成於開發環境中。它通過智能代碼補全、上下文理解等功能,顯著提升開發效率和代碼質量。Trae的出現填補了國內AI集成開發工具的空白,滿足了中文開發者對高效開發工具的需求。其定位為高端開發工具,旨在為專業開發者提供強大的技術支持,目前尚未明確公開價格,但預計會採用付費模式以匹配其高端定位。
開發與工具
138.0K
國外精選

Pika
Pika是一個視頻製作平臺,用戶可以上傳自己的創意想法,Pika會自動生成相關的視頻。主要功能有:支持多種創意想法轉視頻,視頻效果專業,操作簡單易用。平臺採用免費試用模式,定位面向創意者和視頻愛好者。
視頻生成
18.7M
中文精選

Liblibai
LiblibAI是一箇中國領先的AI創作平臺,提供強大的AI創作能力,幫助創作者實現創意。平臺提供海量免費AI創作模型,用戶可以搜索使用模型進行圖像、文字、音頻等創作。平臺還支持用戶訓練自己的AI模型。平臺定位於廣大創作者用戶,致力於創造條件普惠,服務創意產業,讓每個人都享有創作的樂趣。
AI模型
8.0M