PixelProse

Conjunto de datos de descripción de imágenes a gran escala, que proporciona más de 16 millones de descripciones de imágenes sintéticas.

Producto ComúnOtrosDescripción de imágenesModelo de lenguaje visual

Abrir sitio web

PixelProse es un conjunto de datos a gran escala creado por tomg-group-umd que utiliza el modelo de visión de lenguaje visual avanzado Gemini 1.0 Pro Vision para generar más de 16 millones de descripciones de imágenes detalladas. Este conjunto de datos es de gran importancia para el desarrollo y la mejora de las técnicas de conversión de imagen a texto, y se puede utilizar en tareas como la generación de descripciones de imágenes y las preguntas y respuestas visuales.

Best AI Websites & Tools

PixelProse

PixelProse Situación del tráfico más reciente

PixelProse Tendencia de visitas

PixelProse Distribución geográfica de las visitas

PixelProse Fuentes de tráfico

PixelProse Alternativas

PixelProse — Conjunto de datos de descripción de imágenes a gran escala, que proporciona más de 16 millones de descripciones de imágenes sintéticas.

Aya Vision 8B — Modelo de lenguaje visual multilingüe de 800 millones de parámetros, compatible con OCR, descripción de imágenes, razonamiento visual, etc.

PaliGemma2-3b-pt-224 — PaliGemma 2 es un potente modelo de lenguaje visual que admite tareas de procesamiento de imágenes y texto en varios idiomas.

PaliGemma2-3b-pt-448 — PaliGemma 2 es un potente modelo de lenguaje visual que admite diversas tareas de lenguaje visual.

CogVLM — Poderoso modelo de lenguaje visual de código abierto

Aya Vision 32B — Aya Vision 32B es un modelo de lenguaje visual multilingüe, adecuado para OCR, descripción de imágenes, razonamiento visual y otros usos.

Agente de búsqueda Level-Navi — El Agente Level-Navi es un marco que se puede usar sin entrenamiento, que utiliza modelos de lenguaje extenso para una comprensión profunda de las consultas y una búsqueda precisa.

VLM-R1 — VLM-R1 es un modelo de lenguaje visual reforzado estable y versátil, enfocado en tareas de comprensión visual.

Signs — Plataforma que utiliza la inteligencia artificial para ayudar a aprender y contribuir al lenguaje de señas americano (ASL).

Dolphin R1 — Dolphin R1 es un conjunto de datos para entrenar modelos de inferencia, que contiene 800.000 muestras.

MILS — Los modelos lingüísticos de gran tamaño (LLM) pueden ver y oír sin necesidad de entrenamiento previo.

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

Ollama OCR para web — Un potente paquete OCR que utiliza modelos de lenguaje visual de vanguardia para extraer texto de imágenes.

Nemotron-CC — Convierte Common Crawl en un conjunto de datos de preentrenamiento a largo plazo y de alta calidad

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

InternVL2_5-26B-MPO — Modelo de lenguaje grande multimodales que mejora la interacción entre la visión y el lenguaje.

AGIBOT WORLD — Conjunto de datos de aprendizaje robótico a gran escala que impulsa el desarrollo de estrategias robóticas multipropósito.

Generador inteligente de descripciones de imágenes — Utiliza tecnología inteligente para generar descripciones contextuales de imágenes.

cogagent-9b-20241220 — CogAgent-9B-20241220 es un modelo de agente GUI basado en un modelo de lenguaje visual.

CogAgent — Agente GUI basado en el modelo de lenguaje visual de extremo a extremo (VLM) de código abierto

InternVL2_5-1B-MPO — Modelo de lenguaje grande multimodal que mejora la comprensión integral de la visión y el lenguaje.

PicWordify — Automatización de la generación de texto descriptivo para imágenes de sitios web

DeepSeek-VL2-Tiny — Modelo de lenguaje visual avanzado de gran tamaño y experto mixto

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

POINTS-Qwen-2-5-7B-Chat — Los últimos avances en modelos de lenguaje visual

POINTS-1-5-Qwen-2-5-7B-Chat — Modelo de lenguaje visual líder, admite bilingüismo y control de alta calidad, gratuito.

DeepSeek-VL2 — Modelo de comprensión multimodal avanzado que integra capacidades visuales y lingüísticas.

RapBank — Primer conjunto de datos de generación de música rap

RLVR-GSM-MATH-IF-Mixed-Constraints — Conjunto de datos de problemas matemáticos para la validación de aprendizaje reforzado

MAmmoTH-VL — Plataforma de razonamiento multimodal a gran escala y ajuste por instrucciones