SD百科导航
  • 首页
  • 快讯
  • 早报
  • 模型
  • ComfyUI
  • 新技术
  • 百科
    • 教程
    • 硬件
    • 科普
  • 百科工具
    • 工具
  • 排行榜
    • 首页
    • 快讯
    • 早报
    • 模型
    • ComfyUI
    • 新技术
    • 百科
      • 教程
      • 硬件
      • 科普
    • 百科工具
      • 工具
    • 排行榜

    多模态模型

    共 34 篇文章
    排序
    发布更新浏览点赞
    Inst-IT:增强大型多模态模型实例级理解能力

    Inst-IT:增强大型多模态模型实例级理解能力

    复旦大学计算机学院、上海创新学院和华为诺亚方舟实验室的研究人员提出了Inst-IT,这是一种通过明确的视觉提示指令调优来增强大型多模态模型(LMMs)实例级理解能力的解决方案。尽管现有的LMMs在整体...
    新技术# Inst-IT# 多模态模型
    2年前
    4480
    Hugging Face发布一个用于设备上推理的2B参数小型多模态模型SmolVLM

    Hugging Face发布一个用于设备上推理的2B参数小型多模态模型SmolVLM

    近年来,随着机器学习技术的飞速发展,视觉-语言模型(VLM)的需求不断增加。这些模型能够处理图像和文本的组合任务,如图像描述、问答和故事生成等。然而,大多数现有的VLM需要大量的计算资源和内存,这限制...
    多模态模型# Hugging Face# SmolVLM# 多模态模型
    2年前
    4730
    深度求索推出新颖自回归框架 Janus: 具有图像生成功能的 13 亿多模态模型

    深度求索推出新颖自回归框架 Janus: 具有图像生成功能的 13 亿多模态模型

    多模态AI模型是能够理解和生成视觉内容的强大工具。然而,现有方法通常使用单一视觉编码器来处理这两项任务,这导致了由于理解和生成在本质上不同的需求而表现不佳。理解需要高层次的语义抽象,而生成则关注局部细...
    多模态模型# Janus# 多模态模型
    2年前
    1,3480
    新型多模态原生模型Aria:专门设计来处理和理解多种类型的信息(文本、代码、图像和视频)

    新型多模态原生模型Aria:专门设计来处理和理解多种类型的信息(文本、代码、图像和视频)

    Rhymes AI推出新型多模态原生模型Aria,这是一个开源的混合专家(MoE)模型,ARIA专门设计来处理和理解多种类型的信息,比如文本、代码、图像和视频,而且它能够像人类一样,不需要特别区分这些...
    多模态模型# Aria# Rhymes AI# 多模态模型
    2年前
    7630
    大型多模态模型LLaVA-Video:专门设计来处理视频指令并进行视频内容理解

    大型多模态模型LLaVA-Video:专门设计来处理视频指令并进行视频内容理解

    字节跳动、南洋理工大学S-Lab和北京邮电大学的研究人员推出大型多模态模型LLaVA-Video,专门设计来处理视频指令并进行视频内容理解。这个模型特别擅长于解析和生成与视频内容相关的语言描述,比如详...
    多模态模型# LLaVA-Video# 多模态模型
    2年前
    7860
    新型开源大型多模态模型LLaVA-Critic:用于评估各种多模态任务的性能

    新型开源大型多模态模型LLaVA-Critic:用于评估各种多模态任务的性能

    字节跳动和马里兰大学帕克分校的研究人员推出新型开源大型多模态模型LLaVA-Critic,它被设计成一个全能的评估者,用于评估各种多模态任务的性能。多模态任务通常涉及理解和生成与图像、视频和文本相关的...
    多模态模型# LLaVA-Critic# 多模态模型
    2年前
    5740
    智源研究院推出全新多模态系列模型Emu3

    智源研究院推出全新多模态系列模型Emu3

    智源研究院推出Emu3,这是一个全新的多模态系列模型,它仅使用下一个词元(Token)预测这一建模范式进行训练,达到了最先进的水平。Emu3 通过一个 Transformer 模型在视频、图像和文本令...
    多模态模型# Emu3# 多模态模型# 智源研究院
    2年前
    5760
    新型多模态模型家族Molmo:专门设计用于理解和处理图像和文本数据

    新型多模态模型家族Molmo:专门设计用于理解和处理图像和文本数据

    华盛顿大学和艾伦人工智能研究所的研究人员推出新型多模态模型家族Molmo,这些模型专门设计用于理解和处理图像和文本数据。Molmo的目标是提供一个最先进的、开放的多模态模型,Molmo的关键创新是一个...
    多模态模型# Molmo# 多模态模型
    2年前
    6640
    多模态模型Transfusion:能够同时处理离散数据(如文本)和连续数据(如图像)

    多模态模型Transfusion:能够同时处理离散数据(如文本)和连续数据(如图像)

    Meta、Waymo和南加州大学的研究人员推出多模态模型Transfusion,它能够同时处理离散数据(如文本)和连续数据(如图像)。Transfusion的核心思想是将语言模型的下一个词预测(nex...
    新技术# Transfusion# 多模态模型
    2年前
    9520
    阿里推出新型大型多模态模型ConvLLaVA:专门设计用于处理高分辨率的视觉数据

    阿里推出新型大型多模态模型ConvLLaVA:专门设计用于处理高分辨率的视觉数据

    清华大学和阿里巴巴的研究人员推出新型大型多模态模型ConvLLaVA,它专门设计用于处理高分辨率的视觉数据。多模态模型能够理解和处理多种类型的数据,比如文本、图像和视频,这使得它们在各种应用场景中都非...
    新技术# ConvLLaVA# 多模态模型# 阿里巴巴
    3年前
    9270
    没有了

    网址

    日榜周榜月榜
    LoginFlip

    LoginFlip

    LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
    Saga

    Saga

    Saga 是一个生成式 AI 平台,它引导创作者从想法到视频,协助从剧本写作到分镜头可视化的所有工作。由 Veo 3 和 Imagen 4 驱动,Saga 使电影制作人能够以前所未有的速度从剧本转向屏幕。Veo 3 的集成开启了“previz”和“animatics”的新工作流程,允许作家和导演以更高的保真度可视化、迭代和推销故事想法——在几分钟而非几周内。
    DeepGemini

    DeepGemini

    DeepGemini 作为一个灵活的多模型编排 API,为开发者和企业提供了强大的工具,以应对复杂的 AI 应用场景。通过多模型编排、角色管理和多种讨论模式,DeepGemini 不仅提升了 AI 应用的灵活性和多样性,还为团队协作和创意生成提供了全新的解决方案。
    Medeo

    Medeo

    Medeo 允许用户通过简单的文本描述生成视频,无需复杂的编辑界面。它提供超过数百万的高清视频素材,AI 自动匹配场景素材,并优化脚本、添加配音和背景音乐,完美处理过渡和节奏。此外,它能将网页或文章转为专业视频,支持创建动画故事,并提供个人和社区资产库,方便 A/B 测试和多语言配音。
    NovelAI

    NovelAI

    NovelAI 是一家日本的AI绘画平台,专为生成动漫风格图像和辅助讲故事设计。它结合了 AI 助手和图像生成器,帮助用户释放创造潜力。NovelAI 允许用户通过自然语言或视觉标签生成高品质的动漫图像,支持修改现有图像、增加细节和转移美学风格。它还帮助用户开发故事,特别适合需要动漫角色的创作。
    DecartAI

    DecartAI

    MirageLSD是首个实现无限、实时视频生成且零延迟的系统。它基于我们定制的直播扩散(LSD)模型,支持逐帧生成,同时保持时间一致性。与以往方法不同,LSD支持完全交互式的视频合成——允许在视频生成过程中进行持续的提示、转换和编辑。
    查看完整榜单
    SD百科导航
    SD百科导航是专注于AI创作领域的专业导航网站。我们全面涵盖Stable Diffusion、Flux、AI绘画、AI视频、AI音乐以及大语言模型等前沿内容。

    关于我们友链申请广告合作

    扫码关注微信公众号SD百科导航
    扫码关注微信公众号
    Copyright © 2026 SD百科导航 皖ICP备18025588号-5  皖公网安备34040002000401 
    网址
    网址文章软件模型
      ↵ENTER↓↑NAV

      网址

      日榜周榜月榜
      LoginFlip

      LoginFlip

      LoginFlip 是一款专为 Chrome 浏览器设计的轻量级扩展,解决多账号管理痛点。它通过保存和恢复网站的登录状态(Cookie + localStorage),让你在不同身份(工作号、测试号、个人号等)之间实现秒级切换,彻底告别反复输入密码和退出登录的繁琐流程。
      Saga

      Saga

      Saga 是一个生成式 AI 平台,它引导创作者从想法到视频,协助从剧本写作到分镜头可视化的所有工作。由 Veo 3 和 Imagen 4 驱动,Saga 使电影制作人能够以前所未有的速度从剧本转向屏幕。Veo 3 的集成开启了“previz”和“animatics”的新工作流程,允许作家和导演以更高的保真度可视化、迭代和推销故事想法——在几分钟而非几周内。
      DeepGemini

      DeepGemini

      DeepGemini 作为一个灵活的多模型编排 API,为开发者和企业提供了强大的工具,以应对复杂的 AI 应用场景。通过多模型编排、角色管理和多种讨论模式,DeepGemini 不仅提升了 AI 应用的灵活性和多样性,还为团队协作和创意生成提供了全新的解决方案。
      Medeo

      Medeo

      Medeo 允许用户通过简单的文本描述生成视频,无需复杂的编辑界面。它提供超过数百万的高清视频素材,AI 自动匹配场景素材,并优化脚本、添加配音和背景音乐,完美处理过渡和节奏。此外,它能将网页或文章转为专业视频,支持创建动画故事,并提供个人和社区资产库,方便 A/B 测试和多语言配音。
      NovelAI

      NovelAI

      NovelAI 是一家日本的AI绘画平台,专为生成动漫风格图像和辅助讲故事设计。它结合了 AI 助手和图像生成器,帮助用户释放创造潜力。NovelAI 允许用户通过自然语言或视觉标签生成高品质的动漫图像,支持修改现有图像、增加细节和转移美学风格。它还帮助用户开发故事,特别适合需要动漫角色的创作。
      DecartAI

      DecartAI

      MirageLSD是首个实现无限、实时视频生成且零延迟的系统。它基于我们定制的直播扩散(LSD)模型,支持逐帧生成,同时保持时间一致性。与以往方法不同,LSD支持完全交互式的视频合成——允许在视频生成过程中进行持续的提示、转换和编辑。
      查看完整榜单