# 视觉

MiniCPM-o 2.6 是OpenBMB团队开发的最新多模态大型语言模型（MLLM），具有8B参数，能够在手机等端侧设备上实现高质量的视觉、语音和多模态直播功能。该模型基于SigLip-400M、Whisper-medium-300M、ChatTTS-200M和Qwen2.5-7B构建，采用端到端的方式训练，性能与GPT-4o-202405相当。其主要优点包括领先的视觉能力、先进的语音能力、强大的多模态直播能力、强大的OCR能力以及优越的效率。该模型免费开源，适用于学术研究和商业用途。

Phi-3 Vision是一个轻量级、最先进的开放多模态模型，基于包括合成数据和经过筛选的公开可用网站在内的数据集构建，专注于文本和视觉的非常高质量的推理密集数据。该模型属于Phi-3模型家族，多模态版本支持128K上下文长度（以token计），经过严格的增强过程，结合了监督微调和直接偏好优化，以确保精确的指令遵循和强大的安全措施。

Qwen-VL 是阿里云推出的通用型视觉语言模型,具有强大的视觉理解和多模态推理能力。它支持零样本图像描述、视觉问答、文本理解、图像地标定位等任务,在多个视觉基准测试中达到或超过当前最优水平。该模型采用 Transformer 结构,以 7B 参数规模进行预训练,支持 448x448 分辨率,可以端到端处理图像与文本的多模态输入与输出。Qwen-VL 的优势包括通用性强、支持多语种、细粒度理解等。它可以广泛应用于图像理解、视觉问答、图像标注、图文生成等任务。

moondream是一个使用SigLIP、Phi-1.5和LLaVA训练数据集构建的16亿参数模型。由于使用了LLaVA数据集，权重受CC-BY-SA许可证保护。您可以在Huggingface Spaces上尝试使用它。该模型在VQAv2、GQA、VizWiz和TextVQA基准测试中表现如下：LLaVA-1.5（13.3B参数）：80.0、63.3、53.6、61.3；LLaVA-1.5（7.3B参数）：78.5、62.0、50.0、58.2；MC-LLaVA-3B（3B参数）：64.2、49.6、24.9、38.6；LLaVA-Phi（3B参数）：71.4、-、35.9、48.6；moondream1（1.6B参数）：74.3、56.3、30.3、39.8。

这篇论文系统评估了大型语言模型（LLMs）生成和识别逐渐复杂的视觉概念的能力，并展示了如何使用文本模型训练初步的视觉表示学习系统。虽然语言模型不能直接处理像素级的视觉信息，但使用代码表示图像进行研究。LLM 生成的图像虽然不像自然图像，但在图像生成和纠正方面的结果表明，准确建模字符串可以教会语言模型许多关于视觉世界的方面。此外，利用文本模型生成的图像进行自监督视觉表示学习的实验，突出了只使用 LLMs 就能训练能够对自然图像进行语义评估的视觉模型的潜力。

InternVL通过将ViT模型扩展到60亿参数并与语言模型对齐,构建出目前最大的14B开源视觉基础模型,在视觉感知、跨模态检索、多模态对话等广泛任务上取得了32项state-of-the-art性能。

NEX是一个媒体技术公司,正在开发可控制的AI模型,用于视觉表达。我们相信技术将帮助我们追求伟大的故事。我们的使命是增强人类的讲故事能力。

Blenny AI 是一款可以帮助用户对网页进行截图并进行智能分析的 AI 视觉辅助工具。用户可以通过截图快速获取 AI 摘要、翻译和访问网页等功能。此外，Blenny AI 还支持自定义 AI 代理，根据用户的需求提供个性化的服务。Blenny AI 由 GPT-4V 驱动。

Moji AI - Chat & Content AI是您掌握内容创作艺术的终极多合一应用，由先进的人工智能驱动。Moji AI简化并提升了您的写作和内容管理体验，是专业人士和创意人士的必不可少的工具。主要功能包括AI写作助手、电子邮件写作模板、文本转图像生成、Instagram参与率计算器等。Moji AI - Chat & Content AI Pro计划：月度：$9.99，年度：$89.99。适用于iPhone、iPad和Mac，支持英语语言。

Quill News Digest是一款不同寻常的日常新闻摘要应用。通过视觉摘要和易于阅读的集合，提供最重要的故事。图像、地图、引用。花更少的时间来了解最新动态，更多时间享受你所做的事情！我们从互联网上的各种来源总结了最重要的故事，为您提供简洁、公正的快速阅读。每个集合中的故事都包括一个“快速”阅读、一个扩展摘要、图像、引用、相关位置以及阅读您选择的来源的单独文章的选项。Quill每天早上8点发布一次摘要，让您可以翻阅互联网上最重要的故事。使用Quill，您可以确保自己是最新的，而不会被过多的有偏见的信息所淹没。

Abacus.AI是全球首个端到端AI平台，为常见的企业应用场景实现实时的大规模深度学习。通过我们先进的MLOps平台，您可以使用自己的模型或使用我们的神经网络技术创建高度准确的模型，并在各种应用场景中进行操作，包括预测、个性化、视觉、异常检测和NLP等。