MMStar

Um conjunto de testes de referência de elite para avaliar grandes modelos de linguagem visual.

Produto ComumProdutividadeModelos de linguagem visualTestes de referência

O MMStar é um conjunto de testes de referência projetado para avaliar a capacidade multimodal de grandes modelos de linguagem visual. Ele contém 1500 amostras cuidadosamente selecionadas de linguagem visual, cobrindo 6 capacidades principais e 18 dimensões específicas. Cada amostra foi revisada manualmente para garantir a dependência visual, minimizar vazamentos de dados e exigir capacidades multimodais avançadas para resolução. Além dos indicadores tradicionais de precisão, o MMStar propõe dois novos indicadores para medir o vazamento de dados e o ganho de desempenho real do treinamento multimodal. Os pesquisadores podem usar o MMStar para avaliar a capacidade multimodal de modelos de linguagem visual em várias tarefas e, com a ajuda dos novos indicadores, identificar problemas potenciais nos modelos.

Best AI Websites & Tools

MMStar

MMStar Situação do Tráfego Mais Recente

MMStar Tendência de Visitas

MMStar Distribuição Geográfica das Visitas

MMStar Fontes de Tráfego

MMStar Alternativas

MMStar — Um conjunto de testes de referência de elite para avaliar grandes modelos de linguagem visual.

Inception Labs — O Inception Labs lança uma nova geração de modelos de linguagem grandes difusivos, oferecendo capacidade de geração de linguagem ultrarrápida, eficiente e de alta qualidade.

Aya Vision — Aya Vision é um modelo de visão multimodal multilíngue lançado pela Cohere, com o objetivo de melhorar a capacidade de compreensão visual e textual em cenários multilíngues.

EgoLife — EgoLife é um projeto de assistente de IA para a vida cotidiana, de longo prazo, multimodal e multiperspectivo, com o objetivo de impulsionar a pesquisa em compreensão de contexto de longo prazo.

UniTok — UniTok é um tokenizador visual unificado para geração e compreensão visual.

ViDoRAG — ViDoRAG é uma estrutura de agente de raciocínio iterativo dinâmico que combina recuperação de documentos visuais com geração aprimorada.

Migician — Migician é um modelo de linguagem grande multimodal focado na localização de imagens múltiplas, capaz de realizar localização precisa de imagens múltiplas de forma livre.

Mochii AI — Mochii AI é um ecossistema de inteligência artificial personalizado, com suporte de modelos de ponta, que impulsiona o futuro da colaboração entre humanos e IA.

M2RAG — Repositório de código de benchmark para geração aprimorada por recuperação em contexto multimodal.

TheoremExplainAgent — TheoremExplainAgent é um sistema inteligente usado para gerar vídeos explicativos multimodais de teoremas.

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 é um modelo básico multimodal leve desenvolvido pela Microsoft, que suporta entrada de texto, imagem e áudio.

Magma-8B — Magma-8B é um modelo de IA multimodal lançado pela Microsoft, capaz de processar entradas de imagem e texto e gerar saídas de texto.

DeepSeek Japonês — DeepSeek é um modelo de linguagem IA avançado, especializado em raciocínio lógico, matemática e tarefas de programação, com uso gratuito.

ZeroBench — ZeroBench é um benchmark visual de alta dificuldade para modelos multimodais de grande porte contemporâneos.

Magma — Magma é um modelo básico capaz de entender e executar entradas multimodais, podendo ser usado em tarefas e ambientes complexos.

Grok 3 — Grok 3 é o mais recente modelo de IA de ponta lançado pela xAI, com poderosas capacidades de raciocínio e processamento multimodais.

CLaMP 3 — CLaMP 3 é uma estrutura unificada para recuperação de informações musicais cruzando modalidades e idiomas.

VideoRAG — VideoRAG é uma estrutura de geração aprimorada por recuperação para processamento de vídeos de contexto extremamente longo.

MedRAX — MedRAX é um agente de IA de raciocínio médico para interpretação de radiografias de tórax, integrando diversas ferramentas de análise e processando consultas médicas complexas sem treinamento adicional.

Qwen2.5-VL — Qwen2.5-VL é um poderoso modelo de linguagem visual que consegue compreender o conteúdo de imagens e vídeos e gerar texto correspondente.

Gemini 2.0 Family — Gemini 2.0 é a mais recente geração de modelos de IA generativa lançada pelo Google, incluindo as versões Flash, Flash-Lite e Pro.

Gemini 2.0 Pro — O Gemini Pro é um modelo de IA de alto desempenho desenvolvido pela Google DeepMind, focado no tratamento de tarefas complexas e no desempenho de programação.

R1-V — Melhora a capacidade de generalização de modelos de linguagem visual reforçados de baixo custo, por menos de 3 dólares.

OmniHuman-1 — OmniHuman-1 é uma estrutura multimodal baseada em uma única imagem de rosto e sinais de movimento para gerar vídeos humanos.

MILS — LLMs podem ver e ouvir sem nenhum treinamento prévio.

Aplicativo MNN para Android com Modelo de IA de Grande Porte — Um aplicativo Android completo para modelos de linguagem de grande porte (LLM) com suporte a múltiplas modalidades.

Janus-Pro-7B — Janus-Pro-7B é uma nova estrutura autoregressiva que unifica a compreensão e a geração multimodais.

Janus-Pro-1B — Janus-Pro-1B é uma estrutura auto-regressiva unificada de compreensão e geração multimodal.

O Último Exame da Humanidade — O Último Exame da Humanidade é um benchmark multimodal usado para avaliar a capacidade de modelos de linguagem de grande porte.