UniVG

Universelles multimodales Videosystem

Normales ProduktBildVideoerzeugungMultimodal

UniVG ist ein universelles multimodales Videosystem, das verschiedene Videoerzeugungsaufgaben bewältigen kann, darunter Text- und Bildmodalitäten. Durch die Einführung von Multi-Condition-Cross-Attention und verzögertem Gaußschen Rauschen wurde die Erzeugung von Videos mit hoher und niedriger Freiheitsgraden realisiert. Auf dem öffentlichen akademischen Benchmark MSR-VTT wurde die niedrigste Fréchet-Videometrie (FVD) erreicht, womit die Leistung aktueller Open-Source-Methoden in der menschlichen Bewertung übertroffen und die der aktuellen Closed-Source-Methode Gen2 erreicht wurde.

Best AI Websites & Tools

UniVG

UniVG Neueste Verkehrssituation

UniVG Besuchstrend

UniVG Geografische Verteilung der Besuche

UniVG Traffic-Quellen

UniVG Alternativen

UniVG — Universelles multimodales Videosystem

UniTok — UniTok ist ein einheitlicher visueller Tokenizer für die visuelle Generierung und das visuelle Verständnis.

SmolVLM-256M-Instruct — SmolVLM-256M ist das weltweit kleinste multimodale Modell und verarbeitet effizient Bild- und Texteingaben zur Erzeugung von Textausgaben.

InternVL2.5-38B-MPO — Die InternVL2.5-MPO-Modellreihe basiert auf InternVL2.5 und der Mixed Preference Optimization (MPO) und bietet herausragende Leistung.

InternVL2_5-26B-MPO-AWQ — Ein fortschrittliches, multimodal großes Sprachmodell mit herausragender multimodaler Inferenzfähigkeit.

InternVL2_5-8B-MPO — Großes multimodales Sprachmodell mit hervorragender Gesamtperformance.

InternVL2_5-4B-MPO — Großes, multimodales Sprachmodell, das herausragende Gesamtperformanz zeigt.

Valley — Multimodales großes Sprachmodell zur Verarbeitung von Text-, Bild- und Videodaten

InternVL2_5-2B-MPO — Fortgeschrittenes multimodales großes Sprachmodell

Llama-3.2-11B-Vision — Multimodales großes Sprachmodell, das die Verarbeitung von Bildern und Texten unterstützt.

Pixtral-12B-2409 — Multimodales 12B-Parameter-Modell, das einen visuellen Encoder zur Verarbeitung von Bildern und Texten integriert.

Pixtral 12B — Das erste multimodale Mistral-Modell, das die Verarbeitung von gemischten Aufgaben mit Bildern und Text unterstützt.

pixtral-12b-240910 — Multimodales großes Sprachmodell, das Bild- und Textverständnis unterstützt.

Show-o — Ein einheitlicher Transformator für multimodalen Verständnis und Generierung

LLaVA-OneVision — Hochwirksames Transformationsmodell für multimodale visuelle Aufgaben

Mini-Gemini — Multimodales KI-Modell mit Bildverständnis und -generierung.

MouSi — Multimodales visuell-sprachliches Modell

OneLLM — Ein Framework zur Vereinheitlichung aller Sprachmodalitäten

Kosmos-2 — Weltweites, multimodales großes Sprachmodell

HunyuanVideo-I2V — HunyuanVideo-I2V ist ein von Tencent entwickeltes Framework zur Bild-zu-Video-Generierung, basierend auf HunyuanVideo.

Aya Vision — Aya Vision ist ein mehrsprachiges, multimodales visuelles Modell von Cohere, das darauf abzielt, das Verständnis von visuellem und Textmaterial in mehrsprachigen Szenarien zu verbessern.

EgoLife — EgoLife ist ein langfristiges, multimodales und mehrperspektivisches Projekt für einen KI-Assistenten im Alltag, das darauf abzielt, die Forschung zum Verständnis von Langzeitkontexten voranzutreiben.

ViDoRAG — ViDoRAG ist ein dynamisches iteratives Inferenz-Agenten-Framework, das die visuelle Dokumentensuche mit der Generierung kombiniert.

Mochii AI — Mochii AI ist ein personalisiertes KI-Ökosystem, das von hochmodernen Modellen unterstützt wird und die Zukunft der Zusammenarbeit zwischen Mensch und KI vorantreibt.

M2RAG — Code-Repository für Benchmark-Tests zur retrieval-augmented generation in multimodalen Kontexten.

TheoremExplainAgent — TheoremExplainAgent ist ein intelligentes System zur Generierung multimodaler Erklärvideos für Theoreme.

olmOCR-7B-0225-Vorschau — olmOCR-7B-0225-Vorschau ist ein auf Qwen2-VL-7B-Instruct feingetuntes Modell zur optischen Zeichenerkennung (OCR) von Dokumenten, das die effiziente Umwandlung von Dokumenten in reinen Text ermöglicht.

Phi-4-multimodal-instruct — Phi-4-multimodal-instruct ist ein leichtgewichtiges, multimodales Basismodell von Microsoft, das Text-, Bild- und Audioeingaben unterstützt.

Magma-8B — Magma-8B ist ein von Microsoft entwickeltes multimodales KI-Modell, das Bild- und Texteingaben verarbeiten und Textausgaben generieren kann.

DeepSeek Japanisch — DeepSeek ist ein fortschrittliches KI-Sprachmodell, das sich auf logisches Denken, Mathematik und Programmieraufgaben spezialisiert hat und kostenlos nutzbar ist.