localGPT-Vision开源项目 – 通过视觉模型与文档对话

ShortCast.ai 是一个利用人工智能技术，快速将长时间的YouTube视频和播客转化为简洁、深刻的文本摘要的工具。它能够提取内容中的关键点，帮助用户高效获取信息。

WhisperTranscribe是一款在线工具，提供便宜且精准的音频转录服务。用户只需一键即可从任何音频生成摘要、时间戳、博客文章和完整转录。该工具利用了GPT 3.5 Turbo的强大功能，提供多种功能和选项，满足个人和组织的转录需求。

Swiftask是一款全能的AI助手，旨在增强个人和团队的生产力与创造力。它将多种AI技术、聊天机器人和生产力工具整合到一个统一的聊天界面中，帮助用户快速高效地完成任务。用户只需注册一个免费账户，即可通过聊天界面访问强大的AI功能，支持文档文本提取、图像生成、音频转录、文档对话及项目管理等功能。

BlindChat提供安全的AI辅助，利用Meta的Llama 2 70B模型，在保护用户数据隐私的同时，帮助处理机密文档摘要和代码文档编写等任务。

ArxivPaperAI是一个在线摘要工具，使用ChatGPT在几秒钟内总结科学文章，帮助用户快速评估文档的重要性，特别适合那些没有时间阅读长篇复杂文章的用户。

Textraction是一个强大的API，允许用户从各种文本类型中提取信息，如文档、房地产列表、简历、采购订单等。通过集成API，用户可以发送请求，指定要提取的实体，API将分析文本并返回提取的实体值。同时，用户可以美化输出并将提取的文本转换为表格。

WeMeta建立了一个用户个人资料数据库，结合了用户的链上和链下身份及行为理解。用户对自己的数据拥有主权，并通过零知识证明确保隐私得到保护。

DeSpam是一个隐私优先、零日志的文本审查API，能够识别有毒、不当、威胁、攻击性、色情和垃圾评论，确保用户信息的保护。其零日志政策和零存储机制进一步保障了用户的隐私。

RAG-Survey是一个汇集了关于大型语言模型检索增强生成(RAG)的最新研究文献资源列表的平台，提供文献的分类和标签功能，方便用户查找和贡献相关文献，促进RAG领域的研究和交流。

Doc Search 是一个基于 GPT-3 的智能文档搜索引擎，能够通过自然语言处理技术，快速从各种文档中提取相关信息，并提供问答式的交互体验。它支持多种文档格式，用户可以通过友好的界面与系统进行对话，获取所需的答案。

VILA 是一个开源视觉语言模型 (VLM) 系列，旨在优化效率和准确性，适用于边缘、数据中心和云计算环境。它采用交错图像-文本预训练方法，支持多图像处理，并具有强大的上下文学习能力，能够快速学习新概念。VILA 在视频理解、多图像推理等任务中表现出色，广泛应用于研究和工业领域。

创新的文档检索系统(V-RAG)，无需传统的文本分块，直接利用视觉语言模型处理PDF文档。

VerbaGPT旨在通过大型语言模型简化数据分析过程，同时确保数据隐私不被侵犯。该项目结合了先进的自然语言处理技术，使用户能够更轻松地从数据中提取洞见，而无需担心敏感信息的泄露。

CoRAG（检索链增强生成模型）是一个创新性研究项目，通过迭代检索和动态查询重构提升RAG模型在复杂知识密集型任务中的表现。它模拟人类逐步推理的思维链过程，结合拒绝采样进行数据增强，在KILT基准测试中达到最先进水平。项目使用E5-large检索器和微调Llama-3.1-8B-Instruct模型，支持多跳问答等需要多步推理的场景。

olmOCR 是一个端到端的 PDF 文档解析工具，结合视觉语言模型（VLM）和文档锚定技术，能够高效提取 PDF 文档中的结构化内容，如章节、表格、列表和公式。它通过在大规模数据集上微调一个 7B 参数的 VLM 模型，显著提高了内容提取的准确性和处理效率。推理管道基于 SGLang 和 vLLM 框架，能够高效处理大规模数据，并通过优化硬件利用和推理效率降低成本。该项目特别针对 PDF 文档的多样性格式和视觉布局设计，能够保持自然阅读顺序，同时处理图形、手写文本和低质量扫描件。

R1-V是一个开源视觉语言模型（VLM）项目，旨在通过强化学习和可验证奖励（RLVR）在极低成本（不到3美元）和短时间内（30分钟）实现超强泛化能力。该项目通过高效的训练方法和开源资源，显著提升了模型的性能，特别是在超出分布（OOD）测试中，2B模型在100个训练步骤后超越了72B模型的表现。

Glyph DLP是一个数据丢失防护API，可用于扫描或编辑文档中的敏感数据，确保数据安全和隐私保护。

VLM Run Hub 是一个为视觉语言模型（VLMs）设计的开源工具，专注于从图像、视频、文档等非结构化视觉数据中提取行业级结构化数据。它提供超过20种预定义的Pydantic数据模型，覆盖金融、医疗、零售等27个领域，支持自动数据验证和主流VLM平台无缝集成，显著减少人工干预并提升视觉ETL（提取-转换-加载）流程效率。

QashBoard是一款集成AI技术的财务仪表盘，提供全面的财务概览，帮助用户高效管理个人和企业财务，确保数据隐私并提供个性化的财务建议。

Lawrie AI是一款安全的离线iOS应用，用户可以在不共享数据的情况下，从PDF文档中提问并获取答案。所有处理都在手机本地完成，确保数据的安全和隐私。

Windrecorder是一款通过记录屏幕上所有内容、实现记忆搜索的开源应用。它可以根据OCR文本或画面描述进行搜索，并提供活动统计、词云、时间轴等数据摘要。所有功能完全运行在本地，无需联网或上传数据，确保数据隐私。支持多语言（简体中文、English、日本语），并提供完善的webui界面。

Evryface是一个利用AI技术提供专业照片、头像和证件照生成服务的平台，用户无需雇佣摄影师或离开家即可创建高质量照片。

MiniMind-V是MiniMind纯语言模型的视觉能力拓展，包含VLM大模型的极简结构、数据集清洗、预训练(Pretrain)、监督微调(SFT)等全过程代码。它是开源VLM模型的最小实现，也是入门视觉语言模型的简明教程。