技术教程模型与创作教程链接可访问
用途介绍 Florence-2, released by Microsoft in June 2024, is a foundation vision-language model. This model is very attractive because of its small size (0.2B and…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/14
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 Everybody knows that a great visual is worth a thousand words. The team at Prezi, a visual communications software company, is putting this insight…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/14
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 Models are becoming quite good at understanding text on its own, but what about text in images, which gives important contextual information? For example…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/14
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 Today Google releases Gemma 3 , a new iteration of their Gemma family of models. The models range from 1B to 27B parameters, have…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/12
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 With the release of the Aya Vision family , our new 8B and 32B parameter vision-language models (VLMs), we are addressing one of the…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/12
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 TimeScope is an open-source benchmark designed to measure how well vision-language models understand long videos. By adding short “needle” clips into videos ranging from…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/11
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 You've got everything ready - data, model, a beefy GPU setup. You hit "run" and... wait. And wait some more. Your GPUs are barely…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/11
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 Recent advances in Vision-Language-Action (VLA) models have enabled robots to perform a wide range of tasks—from simple commands like “grasp the cube” to more…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/11
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 The Language Technologies Lab takes a major step forward in multimodal artificial intelligence with the release of Visual Salamandra , extending the capabilities of…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/11
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 Today we're excited to announce Granite 4.0 3B Vision , a compact vision-language model (VLM) designed for enterprise document understanding. It’s purpose-built for reliable…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/10
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 Recent advances in Large Language Models have enabled the transition from text-only reasoning to multimodal systems . First, with the integration of visual perception…
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/10
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 Meta 的 Muse Glimmer 多模态模型及本地运行方法,包含图像理解、工具调用和智能体任务演示,以及 Transformers、llama.cpp 和 vLLM 的使用入口。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/9
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 NVIDIA 的多模态内容审核模型,可依据自定义规则判断内容安全性。文章展示审核模式、评估结果和配套数据集。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/9
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 Nemotron 3 Nano Omni 的视觉、音频和视频理解能力,并比较它在多模态任务上的表现。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/9
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 用 Sentence Transformers 训练可处理图像和文本的嵌入模型,用于多模态搜索和检索增强生成。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/9
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍如何用 Sentence Transformers 为文本和图片生成向量,并应用于相似度搜索和多模态检索。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/9
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 Google DeepMind 的 Gemma 4 多模态模型家族,并给出通过助手、推理框架和模型平台试用的入口。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/9
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 Liquid AI 的 LFM3 模型家族,展示如何利用文本、视觉和音频能力为特定任务构建模型。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/8
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 Meta 的开放权重模型 Muse Spark Open,覆盖文本、图像、音频和视频输入,并提供模型与运行入口。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/8
查看原始资源 →技术教程模型与创作教程链接可访问
用途介绍 介绍 NeoMME 多语言多模态编码器,把图像和文本转换成向量,用于跨模态搜索和检索。
前置条件 · 按原站指南准备模型、工具和服务环境
许可 · 查阅原站许可 · 核验 2026-11-18
收录 2026/11/8
查看原始资源 →技术教程图像与多模态链接可访问
用途介绍 项目官方技术文档,介绍多模态图文理解的操作步骤与配置方式。
前置条件 · 按原文档准备对应工具、模型和运行环境
huggingface/transformers
GitHub ★ 168951 · 仓库更新 2026-11-13
许可 · Apache-2.0 · 核验 2026-11-18
查看原始资源 →