A-Multi-Modal-Approach-to-Improve-Scene-Context

MiniCPM-o 2.6：一款可在手机上运行的、达到GPT-4o水平的视觉、语音和多模态直播大型语言模型

ModelScope：让模型即服务（Model-as-a-Service）成为现实。

CVPR 2024录用（口头报告）InternVL家族：GPT-4o的开创性开源替代方案，性能逼近GPT-4o的多模态对话模型

一个最先进的开放式视觉语言模型

使用Pytorch框架实现/复现OpenAI的文本转图像Transformer模型DALL-E

基于 OpenStreetMap 的开源路线引擎

能够进行中文和英文多模态对话的语言模型

OmniGen：统一图像生成。 论文链接：[https://arxiv.org/pdf/2409.11340](https://arxiv.org/pdf/2409.11340)

LightSeq：一个用于序列处理和生成的，高性能库

【EMNLP 2024？】Video-LLaVA：基于投影前对齐学习统一视觉表示