ml-ferret

端到端MLLM，实现精准引用和定位

普通产品编程机器学习语言模型

ml-ferret是一个端到端的机器学习语言模型（MLLM），能够接受各种形式的引用并响应性地在多模态环境中进行精准定位。它结合了混合区域表示和空间感知的视觉采样器，支持细粒度和开放词汇的引用和定位。此外，ml-ferret还包括GRIT数据集（约110万个样本）和Ferret-Bench评估基准。

Best AI Websites & Tools

ml-ferret

ml-ferret 最新流量情况

ml-ferret 访问量趋势

ml-ferret 访问地理位置分布

ml-ferret 流量来源

ml-ferret 替代品

MedTrinity-25M — 大规模多模态医学数据集

1X World Model — 为机器人提供虚拟模拟和评估的先进世界模型。

Pixtral 12B — 首个多模态 Mistral 模型，支持图像和文本的混合任务处理。

pixtral-12b-240910 — 多模态大型语言模型，支持图像和文本理解。

ell — 轻量级语言模型编程库，将提示视为函数。

rStar — 通过自博弈相互推理，提升小型语言模型的解决问题能力。

西湖大模型 — 情商智商俱佳的多模态大模型

MiniCPM3-4B — 高效能的第三代MiniCPM系列模型

Phi-3.5-vision — 先进的多模态模型，支持图像和文本理解。

MINT-1T — 一万亿Token和34亿张图像的多模态数据集

DCLM-baseline — 高性能语言模型基准测试数据集

SEED-Story — 多模态长篇故事生成模型

Enchanted — 与私有自托管语言模型对话的iOS/macOS应用

UltraEdit — 大规模图像编辑数据集

multi-token prediction — 多令牌预测模型，提升语言模型的效率与性能

VideoLLaMA2-7B — 大型视频-语言模型，提供视觉问答和视频字幕生成。

Samba — 高效无限上下文语言模型的官方实现

OpenCompass Multi-modal Leaderboard — 实时更新的多模态模型性能排行榜

FlashRAG — 高效的检索增强生成研究工具包

Gemini 1.5 Flash — Google 一款轻量级、高效能的AI模型，专为大规模高频任务设计。

MAP-NEO — 一个完全开源的大型语言模型，提供先进的自然语言处理能力。

Prometheus-Eval — 用于评估其他语言模型的开源工具集

Huggingface 镜像站 — 一个公益项目，致力于帮助国内AI开发者快速、稳定的下载模型、数据集。

LLaVA++ — 扩展LLaVA模型，集成Phi-3和LLaMA-3，提升视觉与语言模型的交互能力。

OpenELM — OpenELM是一套高效的语言模型家族，具备开源训练和推理框架。

LaVi-Bridge — 连接不同语言模型和生成视觉模型进行文本到图像生成

MNBVC — MNBVC是一个超大规模的中文语料集，对标chatGPT训练的40T数据

Qwen-VL — 通用型视觉语言模型

imp-v1-3b — 一款强大的多模态小语言模型