Mini-Gemini

Modelo de IA multimodal con capacidad para comprender y generar imágenes.

Producto ComúnProductividadModelo de IAProcesamiento de imágenes

Mini-Gemini es un modelo multimodal desarrollado por el equipo del profesor Jia Jia-ya, profesor titular de la Universidad China de Hong Kong. Cuenta con una precisa capacidad de comprensión de imágenes y datos de entrenamiento de alta calidad. Este modelo combina la inferencia y generación de imágenes, ofreciendo versiones de diferentes tamaños con un rendimiento comparable a GPT-4 y DALL-E 3. Mini-Gemini utiliza el método de extracción de información de doble rama visual de Gemini y la tecnología SDXL. Codifica imágenes mediante redes convolucionales y utiliza mecanismos de atención para extraer información, a la vez que combina un LLM para generar texto y vincular ambos modelos.

Best AI Websites & Tools

Mini-Gemini

Mini-Gemini Situación del tráfico más reciente

Mini-Gemini Tendencia de visitas

Mini-Gemini Distribución geográfica de las visitas

Mini-Gemini Fuentes de tráfico

Mini-Gemini Alternativas

Mini-Gemini — Modelo de IA multimodal con capacidad para comprender y generar imágenes.

Pixtral 12B — Primer modelo multimodales de Mistral, compatible con el procesamiento de tareas mixtas de imagen y texto.

UniTok — UniTok es un tokenizador visual unificado para la generación y comprensión visual.

Migician — Migician es un modelo de lenguaje multimodal de gran tamaño centrado en la localización de múltiples imágenes, capaz de realizar una localización precisa de múltiples imágenes de forma libre.

Phi-4-multimodal-instruct — Phi-4-multimodal-instruct é um modelo básico multimodal leve desenvolvido pela Microsoft, que suporta entrada de texto, imagem e áudio.

DeepSeek Japonés — DeepSeek es un modelo de lenguaje IA avanzado, especializado en razonamiento lógico, matemáticas y tareas de programación, disponible de forma gratuita.

Magic 1-Para-1 — Magic 1-Para-1 es un modelo de generación de vídeo a partir de imagen altamente eficiente, capaz de generar un vídeo de un minuto en un minuto.

Janus-Pro-1B — Janus-Pro-1B es un marco autorregresivo unificado de comprensión y generación multimodal.

leapfusion-hunyuan-image2video — Una novedosa tecnología de muestreo de imagen a vídeo, basada en el modelo Hunyuan para generar vídeos de alta calidad.

SmolVLM-256M-Instruct — SmolVLM-256M es el modelo multimodal más pequeño del mundo, capaz de procesar de manera eficiente entradas de imagen y texto y generar salidas de texto.

SmolVLM-500M-Instruct — SmolVLM-500M es un modelo multimodal ligero que puede procesar entradas de imagen y texto y generar salidas de texto.

Moondream AI — Modelo de lenguaje visual de código abierto que se ejecuta en varios dispositivos.

InternVL2.5-38B-MPO — Modelo de la serie InternVL2.5-MPO, basado en InternVL2.5 y optimización de preferencias mixtas, que demuestra un rendimiento excepcional.

InternVL2_5-26B-MPO-AWQ — Modelo de lenguaje grande multimodal avanzado con una capacidad de razonamiento multimodal excepcional.

VITA-1.5 — VITA-1.5: Modelo de lenguaje multimodal de gran tamaño de nivel GPT-4o con interacción visual y de voz en tiempo real

InternVL2.5-8B-MPO — Modelo lingüístico grande multimodales que muestra un rendimiento general excelente.

OpenEMMA — Modelo multimodal de conducción autónoma de extremo a extremo de código abierto

InternVL2.5-4B-MPO — Modelo de lenguaje grande multimodal que muestra un rendimiento general excelente.

Valley 2.0 — Modelo de lenguaje grande multimodal que mejora el procesamiento de datos de texto, imágenes y vídeo.

Valley — Modelo multimodal de gran escala que procesa datos de texto, imagen y vídeo.

InternVL2_5-2B-MPO — Modelo de lenguaje grande multimodal avanzado

Gemini Multimodal Live + WebRTC — Aplicación monofichero que integra la transmisión multi-modal de Gemini y la tecnología WebRTC.

RWKV-6 Finch 7B World 3 — Modelo de IA de código abierto con 7B de parámetros y 3,1T de tokens de entrenamiento.

InternVL 2.5 — Serie de modelos lingüísticos grandes multimodales de código abierto

llama-ocr — Biblioteca npm gratuita que utiliza Llama 3.2 Vision para OCR y produce texto en markdown.

face_anon_simple — Técnica de anonimización facial que preserva detalles clave a la vez que protege eficazmente la privacidad.

ComfyUI-Fluxtapoz — Conjunto de nodos de edición de imágenes Flux para ComfyUI

FaceFusion Labs — Plataforma líder en manipulación facial

NVLM 1.0 — Modelo de lenguaje grande multimodal de vanguardia

Llama-3.2-11B-Vision — Modelo de lenguaje grande multimodal que admite el procesamiento de imágenes y texto.