NVLM 1.0

Modelo de linguagem de grande porte multimodal de ponta

Produto ComumProdutividadeMultimodalModelo de Linguagem de Grande Porte

O NVLM 1.0 é uma série de modelos de linguagem de grande porte multimodais de ponta lançada pela NVIDIA ADLR. Ele alcançou níveis de excelência na indústria em tarefas de visão-linguagem, comparável aos melhores modelos proprietários e de acesso aberto. Após o treinamento multimodal, o modelo apresentou melhorias na precisão, mesmo em tarefas puramente de texto. Os pesos do modelo de código aberto NVLM 1.0 e o código de treinamento Megatron-Core fornecem recursos valiosos para a comunidade.

Best AI Websites & Tools

NVLM 1.0

NVLM 1.0 Situação do Tráfego Mais Recente

NVLM 1.0 Tendência de Visitas

NVLM 1.0 Distribuição Geográfica das Visitas

NVLM 1.0 Fontes de Tráfego

NVLM 1.0 Alternativas

NVLM 1.0 — Modelo de linguagem de grande porte multimodal de ponta

TableGPT2-7B — TableGPT2-7B é um modelo de linguagem de grande porte focado no processamento de dados tabulares, ideal para análise de dados e tarefas de inteligência de negócios.

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.

SmolVLM-500M-Instruct — SmolVLM-500M é um modelo multimodal leve que processa entradas de imagem e texto e gera saídas de texto.

VITA-1.5 — VITA-1.5: Modelo de linguagem multimodal de grande porte, nível GPT-4o, com interação visual e de voz em tempo real.

InternVL2_5-8B-MPO-AWQ — Modelo de linguagem de grande porte multimodal, que aprimora a interação entre visão e linguagem.

Gemini Multimodal Live + WebRTC — Aplicativo de arquivo único que integra o Gemini Multimodal Live e a tecnologia WebRTC.

InternVL2_5-1B — Modelo de linguagem de grande porte multimodal, suporta compreensão de imagens e texto

InternVL2_5-8B — Modelo de linguagem de grande porte multimodal, que suporta a compreensão interativa de imagens e texto.

Mini-Gemini — Modelo de IA multimodal, com capacidade de compreensão e geração de imagens.

MA-LMM — Modelo Multimodal de Grande Escala para Compreensão de Vídeos de Longo Prazo

M2UGen — Sistema de compreensão e geração de música multimodal

l1m — Uma API proxy usada para extrair dados estruturados de texto e imagens, implementada com base em LLMs.

AoT — Atom of Thoughts (AoT) é um framework usado para melhorar o desempenho de inferência de modelos de linguagem grandes.

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.

CocoIndex — O CocoIndex é um mecanismo de indexação de dados de código aberto que suporta lógica de conversão personalizada e atualizações incrementais.

Aya Vision 32B — Aya Vision 32B é um modelo de linguagem visual multilíngue, adequado para OCR, descrição de imagens, raciocínio visual e outras finalidades.

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.

llm-commit — Un plugin pour générer des messages de commit Git avec un LLM

Ant Design X Vue — Ant Design X Vue é uma solução de interface de IA baseada em Vue, dedicada a criar uma experiência de produto de IA excepcional.

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.

SWE-RL — Amélioration des capacités de raisonnement des grands modèles de langage dans l'évolution des logiciels open source grâce à l'apprentissage par renforcement

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.