MMStar

Un ensemble de référence d'élite pour l'évaluation des grands modèles linguistiques visuels.

Produit OrdinaireProductivitéModèle linguistique visuelÉvaluation comparative

MMStar est un ensemble de référence conçu pour évaluer les capacités multimodales des grands modèles linguistiques visuels. Il contient 1500 exemples visuels et linguistiques soigneusement sélectionnés, couvrant 6 capacités principales et 18 dimensions détaillées. Chaque exemple a été revu manuellement pour garantir sa dépendance visuelle, minimiser les fuites de données et nécessiter des capacités multimodales avancées pour sa résolution. Au-delà des indicateurs de précision traditionnels, MMStar propose deux nouveaux indicateurs pour mesurer les fuites de données et le gain de performance réel de l'entraînement multimodal. Les chercheurs peuvent utiliser MMStar pour évaluer les capacités multimodales des modèles linguistiques visuels sur plusieurs tâches et, grâce à ces nouveaux indicateurs, identifier les problèmes potentiels des modèles.

Best AI Websites & Tools

MMStar

MMStar Dernière situation du trafic

MMStar Tendance des visites

MMStar Distribution géographique des visites

MMStar Sources de trafic

MMStar Alternatives

MMStar — Un ensemble de référence d'élite pour l'évaluation des grands modèles linguistiques visuels.

Moondream AI — Modèle linguistique visuel open source, fonctionnant sur divers appareils.

POINTS-Yi-1.5-9B-Chat — Les dernières avancées en matière de modèles linguistiques visuels, intégrant les nouvelles technologies de WeChat AI.

POINTS-Qwen-2-5-7B-Chat — Les dernières avancées en matière de modèles linguistiques visuels

Qwen2-VL-7B — Qwen2-VL-7B est le dernier modèle linguistique visuel, prenant en charge la compréhension multimodale et la génération de texte.

Qwen2-VL-2B — Modèle linguistique visuel de pointe, prenant en charge la compréhension multimodale et la génération de texte.

MiniGemini — Modèle linguistique multimodal de grande taille capable de comprendre et de générer simultanément des images.

MouSi — Modèle linguistique visuel multimodal

Inception Labs — Inception Labs lance une nouvelle génération de modèles linguistiques de grande diffusion, offrant une capacité de génération de langage extrêmement rapide, efficace et de haute qualité.

EgoLife — EgoLife est un projet d'assistant IA pour la vie quotidienne, à long terme, multimodal et multi-vues, visant à faire progresser la recherche sur la compréhension du contexte à long terme.

UniTok — UniTok est un tokeniseur visuel unifié pour la génération et la compréhension d'images.

ViDoRAG — ViDoRAG est un framework d'agents d'inférence itérative dynamique qui combine la recherche de documents visuels et l'amélioration de la génération.

Migician — Migician est un grand modèle linguistique multimodale axé sur la localisation multi-images, capable de réaliser une localisation précise multi-images de forme libre.

Mochii AI — Mochii AI est un écosystème d'intelligence artificielle personnalisé, basé sur des modèles de pointe, qui favorise l'avenir de la collaboration entre l'homme et l'IA.

M2RAG — Bibliothèque de code de référence pour la génération améliorée par la recherche dans un contexte multimodal.

TheoremExplainAgent — TheoremExplainAgent est un système intelligent permettant de générer des vidéos explicatives multimodales de théorèmes.

Gemini 2.0 Flash-Lite — Gemini 2.0 Flash-Lite est un modèle linguistique efficace, optimisé pour le traitement de longs textes et de nombreux scénarios d'application.

Phi-4-multimodal-instruct — Phi-4-multimodal-instruct est un modèle de base multimédia léger développé par Microsoft, prenant en charge les entrées texte, image et audio.

Magma-8B — Magma-8B est un modèle d'IA multimodale développé par Microsoft, capable de traiter des entrées image et texte et de générer des sorties textuelles.

DeepSeek Japonais — DeepSeek est un modèle linguistique IA avancé, maîtrisant le raisonnement logique, les mathématiques et la programmation, et disponible gratuitement.

VLM-R1 — VLM-R1 est un modèle linguistique visuel renforcé stable et polyvalent, axé sur les tâches de compréhension visuelle.

ZeroBench — ZeroBench est un benchmark visuel hautement exigeant conçu pour les grands modèles multimodaux contemporains.

Magma — Magma est un modèle fondamental capable de comprendre et d'exécuter des entrées multimodales, utilisable pour des tâches et des environnements complexes.

Grok 3 — Grok 3, le dernier modèle d'IA phare lancé par xAI, offre des capacités de raisonnement et de traitement multimodale exceptionnelles.

CLaMP 3 — CLaMP 3 est un framework unifié pour la recherche d'informations musicales multimodales et multilingues.

VideoRAG — VideoRAG est un framework de génération amélioré par la recherche conçu pour traiter des vidéos à contexte extrêmement long.

Qwen2.5-VL — Qwen2.5-VL est un puissant modèle linguistique visuel capable de comprendre le contenu des images et des vidéos et de générer du texte correspondant.

Gemini 2.0 Family — Gemini 2.0 est le dernier modèle d'IA générative lancé par Google, incluant les versions Flash, Flash-Lite et Pro.

Gemini 2.0 Pro — Gemini Pro est un modèle d'IA haute performance développé par Google DeepMind, spécialisé dans le traitement de tâches complexes et les performances de programmation.

OmniHuman-1 — OmniHuman-1 est un cadre multi-modal permettant de générer des vidéos humaines à partir d'une seule image portrait et de signaux de mouvement.