NVLM 1.0

Modèle linguistique multimodal de pointe

Produit OrdinaireProductivitéMultimodalGrand modèle linguistique

NVLM 1.0 est une série de modèles linguistiques multimodaux de pointe lancée par NVIDIA ADLR. Il atteint des niveaux de performance de pointe sur les tâches vision-langage, rivalisant avec les meilleurs modèles propriétaires et open source. Après entraînement multimodal, son exactitude s'est même améliorée sur les tâches textuelles pures. Les poids du modèle open source NVLM 1.0 et le code d'entraînement Megatron-Core constituent des ressources précieuses pour la communauté.

Atteint des niveaux de performance de pointe sur les tâches vision-langage.
Amélioration de la précision sur les tâches textuelles pures après entraînement multimodal.
Poids du modèle et code d'entraînement open source
facilitant l'utilisation et la recherche par la communauté.
Obtention des meilleurs scores sur les benchmarks OCRBench et VQAv2.
Démonstration d'une capacité exceptionnelle de suivi d'instructions et de génération de descriptions d'images dans les tâches multimodales.
Capacité à comprendre l'humour dans les images
à effectuer une reconnaissance de texte OCR et à utiliser le raisonnement pour comprendre la source de l'humour.
Capacité à effectuer des raisonnements mathématiques et du codage basés sur des informations visuelles.

NVLM 1.0 convient aux chercheurs et développeurs qui doivent traiter de grandes quantités de données visuelles et linguistiques
notamment dans les domaines de l'apprentissage automatique
de l'intelligence artificielle et de la science des données. Il peut aider les utilisateurs à réaliser des avancées significatives dans la reconnaissance d'images
le traitement du langage naturel et les interactions multimodales.

Utilisé pour la génération de descriptions d'images
améliorant la précision de la compréhension du contenu des images.
Fournit un raisonnement mathématique étape par étape pour répondre aux questions de mathématiques et de programmation.
Utilisé pour les tâches OCR
reconnaissant et traitant le texte présent dans les images.

Accédez au site officiel de NVIDIA ADLR pour télécharger les poids du modèle et le code d'entraînement de NVLM 1.0.
Consultez la documentation pour comprendre l'architecture et l'utilisation du modèle.
Ajustez finement le modèle selon vos besoins pour l'adapter à des tâches vision-langage spécifiques.
Utilisez le code d'entraînement Megatron-Core pour entraîner le modèle.
Utilisez le modèle pour des tâches telles que la génération de descriptions d'images

Ouvrir le site Web

NVLM 1.0 Dernière situation du trafic

Nombre total de visites mensuelles

206694

Taux de rebond

62.15%

Nombre moyen de pages par visite

1.8

Durée moyenne de la visite

00:00:49

NVLM 1.0 Tendance des visites

NVLM 1.0 Distribution géographique des visites

NVLM 1.0 Sources de trafic

Best AI Websites & Tools

NVLM 1.0

NVLM 1.0 Dernière situation du trafic

NVLM 1.0 Tendance des visites

NVLM 1.0 Distribution géographique des visites

NVLM 1.0 Sources de trafic

NVLM 1.0 Alternatives

NVLM 1.0 — Modèle linguistique multimodal de pointe

VITA-1.5 — VITA-1.5 : Modèle linguistique multimodal de classe GPT-4o, permettant une interaction visuelle et vocale en temps réel

Valley 2.0 — Modèle linguistique de grande taille multimodale améliorant le traitement des données textuelles, images et vidéos.

InternVL 2.5 — Série de grands modèles linguistiques multimodaux open source

Llama 3 — Modèle linguistique de grande envergure (LLM) nouvelle génération, open source et aux performances exceptionnelles.

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.

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

TableGPT2-7B — TableGPT2-7B est un grand modèle linguistique spécialisé dans le traitement des données tabulaires, adapté aux tâches d'analyse de données et de business intelligence.

Goedel-Prover — Goedel-Prover est un modèle de preuve de théorème automatisée open source, axé sur la preuve formelle de problèmes mathématiques.

Mistral-Small-24B-Instruct-2501 — Mistral Small 24B est un grand modèle linguistique multi-langue, haute performance et fin-tuning pour les instructions, adapté à de nombreux contextes d'application.

Janus-Pro-1B — Janus-Pro-1B est un framework autorégressif unifié de compréhension et de génération multimodale.

SmolVLM-500M-Instruct — SmolVLM-500M est un modèle multimodal léger capable de traiter des entrées image et texte et de générer des sorties textuelles.

Doubao-1.5-pro — Doubao-1.5-pro est un grand modèle linguistique MoE (Mixture of Experts) sparcifié, haute performance, axé sur l'équilibre optimal entre performances d'inférence et capacités du modèle.

InternVL2_5-78B-MPO — Il s'agit d'une série de modèles linguistiques de grande taille multimodaux avancés, démontrant des performances globales exceptionnelles.

InternLM3-8B-Instruct — InternLM3-8B-Instruct est un modèle linguistique instructionnel open source de 8 milliards de paramètres, conçu pour des usages généraux et un raisonnement avancé.

MinMo — MinMo est un grand modèle linguistique multimodal conçu pour une interaction vocale transparente.

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

InternVL2_5-38B-MPO — Série de modèles InternVL2.5-MPO, basée sur InternVL2.5 et l'optimisation des préférences mixtes, démontrant des performances exceptionnelles.

InternVL2_5-26B-MPO-AWQ — Modèle linguistique multimodal de grande taille avancé, doté de capacités exceptionnelles de raisonnement multimodal.

InternVL2_5-26B-MPO — Grand modèle linguistique multimodale améliorant l'interaction visuelle et linguistique.

InternVL2_5-8B-MPO — Modèle linguistique large multi-modal, affichant des performances globales exceptionnelles.

HuatuoGPT-o1 — Grand modèle linguistique pour le raisonnement médical complexe

InternVL2_5-4B-MPO-AWQ — Modèle linguistique de grande taille multi-modal, optimisant les capacités d'interaction entre l'image et le texte.

OpenEMMA — Modèle multimodal de conduite autonome de bout en bout, open source

InternVL2_5-4B-MPO — Modèle linguistique multimodal de grande taille, affichant des performances globales exceptionnelles.

InternVL2_5-2B-MPO — Modèle linguistique large multimodal avancé

InternVL2_5-1B-MPO — Modèle linguistique de grande taille multi-modal améliorant la compréhension globale de la vision et du langage.

InternVL2-8B-MPO — Modèle linguistique multimodal de grande taille, améliorant les capacités de raisonnement multimodal.

Gemini Multimodal Live + WebRTC — Application monofichier intégrant la diffusion multimodale Gemini et la technologie WebRTC.

InternVL2_5-4B — Modèle linguistique large multi-modal, fusionnant la compréhension visuelle et linguistique.