CogVLM2

Modelo de diálogo de preentrenamiento multimodal de segunda generación

Producto ComúnProductividadMultimodalModelo preentrenado

CogVLM2 es un modelo de diálogo de preentrenamiento multimodal de segunda generación desarrollado por el equipo de la Universidad Tsinghua. Ha mostrado mejoras significativas en varias pruebas de referencia, admite una longitud de contenido de 8K y una resolución de imagen de 1344*1344. La serie de modelos CogVLM2 ofrece versiones de código abierto que admiten chino e inglés, alcanzando un rendimiento comparable a algunos modelos no de código abierto.

Best AI Websites & Tools

CogVLM2

CogVLM2 Situación del tráfico más reciente

CogVLM2 Tendencia de visitas

CogVLM2 Distribución geográfica de las visitas

CogVLM2 Fuentes de tráfico

CogVLM2 Alternativas

CogVLM2 — Modelo de diálogo de preentrenamiento multimodal de segunda generación

Magma — Magma es un modelo base capaz de comprender y ejecutar entradas multimodales, utilizable en tareas y entornos complejos.

VideoLLaMA3 — VideoLLaMA3 es un modelo base multimodal de vanguardia, especializado en la comprensión de imágenes y videos.

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

POINTS-Yi-1.5-9B-Chat — Los últimos avances en modelos de lenguaje visual, integrando la nueva tecnología de WeChat AI.

InternVL2_5-26B — Modelo de lenguaje grande multimodal que integra la comprensión visual y lingüística.

Meta Llama 3.3 — Modelo lingüístico extenso de preentrenamiento multilingüe de 70 000 millones de parámetros

Qwen2-VL-2B — Modelo de lenguaje visual líder en el sector, que admite la comprensión multimodal y la generación de texto.

Pixtral-Large-Instruct-2411 — Modelo lingüístico multimodal grande de 124B parámetros

Pixtral Large — Modelo de IA multimodal de vanguardia que ofrece comprensión de imágenes y texto.

Ferret-UI-Llama8b — Modelo de lenguaje grande multimodales basado en Llama-3-8B, centrado en tareas de interfaz de usuario.

MM1.5 — Optimización y análisis de modelos de lenguaje grandes multimodales

mPLUG-Owl3 — Modelo de lenguaje grande multimodal que comprende secuencias largas de imágenes.

Phi-3.5-vision — Modelo multimodal avanzado que admite la comprensión de imágenes y texto.

MiniCPM-V 2.6 — Modelo de lenguaje multimodal de alto rendimiento, adecuado para la comprensión de imágenes y videos.

InternLM-XComposer-2.5 — Un modelo de lenguaje visual grande y multifuncional

Serie GLM-4 — Modelo de diálogo multimodal y multilingüe de código abierto

Vista Previa de Grok-1.5 — El primer modelo multimodal que conecta el mundo digital y físico

MiniGemini — Modelo de lenguaje grande multimodal que admite la comprensión y generación simultáneas de imágenes.

MiniGPT-5 — Modelo multimodal para la generación de imágenes y lenguaje

Inception Labs — O Inception Labs lança uma nova geração de modelos de linguagem grandes difusivos, oferecendo capacidade de geração de linguagem ultrarrápida, eficiente e de alta qualidade.

Aya Vision — Aya Vision es un modelo de visión multimodal multilingüe lanzado por Cohere, diseñado para mejorar la comprensión visual y de texto en escenarios multilingües.

EgoLife — EgoLife es un proyecto de asistente de IA para la vida diaria a largo plazo, multimodal y multiperspectiva, cuyo objetivo es impulsar la investigación sobre la comprensión de contextos a largo plazo.

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

ViDoRAG — ViDoRAG es un marco de agentes de razonamiento iterativo dinámico que combina la recuperación de documentos visuales con la generación mejorada.

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.

Mochii AI — Mochii AI es un ecosistema de inteligencia artificial personalizado respaldado por modelos de vanguardia, que impulsa el futuro de la colaboración entre humanos e IA.

TheoremExplainAgent — TheoremExplainAgent es un sistema inteligente para generar vídeos explicativos multimodales de teoremas.

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.

Magma-8B — Magma-8B es un modelo de IA multimodal desarrollado por Microsoft que puede procesar entradas de imagen y texto y generar salidas de texto.