NVLM 1.0

Modelo de lenguaje grande multimodal de vanguardia

Producto ComúnProductividadMultimodalModelo de lenguaje grande

NVLM 1.0 es una serie de modelos de lenguaje grandes multimodales de vanguardia desarrollados por NVIDIA ADLR. Alcanza niveles de rendimiento líderes en la industria en tareas de visión-lenguaje, comparables a los mejores modelos propietarios y de acceso abierto. Tras el entrenamiento multimodal, incluso se observa una mejora en la precisión en tareas de texto puro. Los pesos del modelo de código abierto NVLM 1.0 y el código de entrenamiento Megatron-Core ofrecen recursos valiosos a la comunidad.

Alcanza niveles de rendimiento líderes en la industria en tareas de visión-lenguaje.
Tras el entrenamiento multimodal
mejora la precisión en tareas de texto puro.
Pesos del modelo y código de entrenamiento de código abierto
para facilitar su uso e investigación por parte de la comunidad.
Obtiene las puntuaciones más altas en pruebas de referencia como OCRBench y VQAv2.
Demuestra una excelente capacidad de seguimiento de instrucciones y generación de descripciones de imágenes en tareas multimodales.
Entiende el humor en las imágenes
realiza OCR para reconocer etiquetas de texto y utiliza el razonamiento para comprender el motivo del humor.
Puede realizar razonamiento matemático y codificación basándose en información visual.

NVLM 1.0 es adecuado para investigadores y desarrolladores que necesitan procesar grandes cantidades de datos visuales y lingüísticos
especialmente en el campo del aprendizaje automático
la inteligencia artificial y la ciencia de datos. Puede ayudar a los usuarios a lograr avances en el reconocimiento de imágenes
el procesamiento del lenguaje natural y la interacción multimodal.

Generación de descripciones de imágenes para mejorar la precisión de la comprensión del contenido.
Proporciona razonamiento matemático paso a paso en la resolución de problemas matemáticos y de programación.
Realiza tareas de OCR: reconoce y procesa texto en imágenes.

Acceda al sitio web oficial de NVIDIA ADLR y descargue los pesos del modelo y el código de entrenamiento de NVLM 1.0.
Lea la documentación para comprender la arquitectura y el uso del modelo.
Ajuste finamente el modelo según sea necesario para adaptarlo a tareas de visión-lenguaje específicas.
Utilice el código de entrenamiento Megatron-Core para entrenar el modelo.
Utilice el modelo para generar descripciones de imágenes

Abrir sitio web

NVLM 1.0 Situación del tráfico más reciente

Total de visitas mensuales

206694

Tasa de rebote

62.15%

Páginas promedio por visita

1.8

Duración promedio de la visita

00:00:49

NVLM 1.0 Tendencia de visitas

NVLM 1.0 Distribución geográfica de las visitas

NVLM 1.0 Fuentes de tráfico

Best AI Websites & Tools

NVLM 1.0

NVLM 1.0 Situación del tráfico más reciente

NVLM 1.0 Tendencia de visitas

NVLM 1.0 Distribución geográfica de las visitas

NVLM 1.0 Fuentes de tráfico

NVLM 1.0 Alternativas

NVLM 1.0 — Modelo de lenguaje grande multimodal de vanguardia

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

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

Llama 3 — Modelo de lenguaje grande de código abierto de nueva generación, con un rendimiento excepcional.

AoT — Atom of Thoughts (AoT) es un marco para mejorar el rendimiento de la inferencia de los modelos de lenguaje grandes.

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.

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

TableGPT2-7B — TableGPT2-7B es un modelo de lenguaje grande enfocado en el procesamiento de datos tabulares, ideal para análisis de datos y tareas de inteligencia empresarial.

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

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

DeepSeek-R1-Distill-Llama-70B — DeepSeek-R1-Distill-Llama-70B es un modelo de lenguaje grande optimizado mediante aprendizaje por refuerzo, centrado en la capacidad de razonamiento y diálogo.

InternVL2_5-78B-MPO — Se trata de una serie de modelos de lenguaje grandes multimodales de vanguardia que demuestra un rendimiento general excepcional.

MinMo — MinMo es un modelo de lenguaje grande multi modal diseñado para una interacción de voz fluida.

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.

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

InternVL2_5-8B-MPO-AWQ — Modelo de lenguaje grande multimodal que mejora la interacción entre la visión y el lenguaje.

HuatuoGPT-o1-8B — Modelo de lenguaje grande (LLM) de vanguardia para el ámbito médico

HuatuoGPT-o1 — Modelo de lenguaje grande para razonamiento complejo en el ámbito médico

InternVL2_5-4B-MPO-AWQ — Modelo de lenguaje grande multimodal, optimizado para la interacción entre imágenes y texto.

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.

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

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

InternVL2-8B-MPO — Modelo de lenguaje grande multimodal que mejora la capacidad de razonamiento multimodal.

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

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

InternVL2_5-4B — Modelo de lenguaje grande multimodal que integra la comprensión visual y lingüística.

InternVL2_5-2B — Modelo de lenguaje grande multimodal que admite una interacción profunda entre imágenes y texto.