InternVL2_5-38B

Série de modèles linguistiques de grande taille multimodaux de pointe

Produit OrdinaireImageMultimodalGrand modèle linguistique

InternVL 2.5 est une série de modèles linguistiques de grande taille multimodaux lancée par OpenGVLab. Elle améliore significativement les stratégies d'entraînement et de test, ainsi que la qualité des données, par rapport à InternVL 2.0. Cette série de modèles peut traiter des données image, texte et vidéo, possédant des capacités de compréhension et de génération multimodales. Il s'agit d'un produit de pointe dans le domaine actuel de l'intelligence artificielle multimodale. La série de modèles InternVL 2.5, grâce à ses hautes performances et à son caractère open source, fournit un support puissant pour les tâches multimodales.

Prise en charge des données multimodales : capable de traiter des données image
texte et vidéo.
Entraînement à haute résolution dynamique : pour les ensembles de données multimodales
le modèle peut ajuster dynamiquement la résolution de l'image afin d'optimiser les performances.
Pipeline d'entraînement monocouche : l'entraînement du modèle est divisé en plusieurs phases afin d'améliorer la perception visuelle et les capacités multimodales.
Stratégie d'extension progressive : en entraînant d'abord avec des petits LLM puis en transférant vers des grands LLM
l'efficacité de l'entraînement est améliorée.
Techniques d'amélioration de l'entraînement : incluant la compression JPEG aléatoire et la technique de re-pondération des pertes
améliorant la robustesse du modèle aux images bruitées.
Organisation et filtrage des données : grâce à des techniques d'organisation et de filtrage des données précises

Le public cible est constitué de chercheurs
de développeurs et d'entreprises
en particulier les développeurs d'applications IA qui ont besoin de traiter des tâches multimodales. InternVL 2.5
grâce à ses puissantes capacités de traitement multimodal et à son caractère open source
convient aux scénarios de reconnaissance d'image

Utilisé pour des tâches de compréhension conjointe d'images et de texte
telles que la génération de descriptions d'images.
Dans l'analyse de contenu vidéo
utilisé pour comprendre le contenu vidéo et générer des résumés vidéo.
En tant que technologie sous-jacente pour les chatbots

1. Accédez au site Web Hugging Face et recherchez le modèle InternVL2_5-38B.
2. À l'aide des exemples de code fournis sur la page
chargez le modèle à l'aide de la bibliothèque `transformers`.
3. Préparez les données d'entrée
y compris les données image et texte

Ouvrir le site Web

InternVL2_5-38B Dernière situation du trafic

Nombre total de visites mensuelles

29742941

Taux de rebond

44.20%

Nombre moyen de pages par visite

5.9

Durée moyenne de la visite

00:04:44

InternVL2_5-38B Tendance des visites

InternVL2_5-38B Distribution géographique des visites

InternVL2_5-38B Sources de trafic

Best AI Websites & Tools

InternVL2_5-38B

InternVL2_5-38B Dernière situation du trafic

InternVL2_5-38B Tendance des visites

InternVL2_5-38B Distribution géographique des visites

InternVL2_5-38B Sources de trafic

InternVL2_5-38B Alternatives

InternVL2_5-38B — Série de modèles linguistiques de grande taille multimodaux de pointe

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_5-8B-MPO — Modèle linguistique large multi-modal, affichant des performances globales exceptionnelles.

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.

Pixtral-Large-Instruct-2411 — Modèle linguistique multimodal de grande taille de 124 milliards de paramètres

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

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.

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

VideoLLaMA3 — VideoLLaMA3 est un modèle de base multimodal de pointe, spécialisé dans la compréhension des images et des vidéos.

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.

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

Llama-3-Patronus-Lynx-8B-Instruct-Q4_K_M-GGUF — Modèle linguistique de grande taille quantifié, basé sur un modèle spécifique, adapté aux tâches de traitement du langage naturel.

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

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

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

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

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

Valley-Eagle-7B — Modèle multimodal de grande taille, traitant les données textuelles, images et vidéos.

Valley — Modèle multimodal de grande taille, traitant les données textuelles, images et vidéos.

FlagAI — Projet open source tout-en-un d'algorithmes, de modèles et d'outils d'optimisation de grands modèles.

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

analyseur-vidéo — Outil d'analyse vidéo générant des descriptions locales de vidéos en combinant le modèle visuel Llama et OpenAI Whisper.

WePOINTS — Le projet WePOINTS fournit un cadre unifié pour les modèles multimodaux.

InternVL 2.5 — Série de grands modèles linguistiques multimodaux open source

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

InternVL2_5-2B — Modèle linguistique de grande taille multi-modal, prenant en charge une interaction approfondie entre images et texte.