BLIP官网 – 根据图片生成文字描述的模型

GPT-4V(ision)是微软分析带有图像识别功能的GPT-4的论文，探讨其在多模态输入方面的能力及应用场景。通过理解图像和文本的结合，GPT-4V能够在多个领域和任务中提供支持，推动人机交互的新方式。

Exifa是一个工具，旨在帮助用户了解嵌入在数字图像中的EXIF（可交换图像文件格式）数据的隐藏层次。它是首个将Snowflake Arctic LLM整合到其操作中的开源应用。

Chinese LLaVA是一个支持中英文双语的开源多模态模型，能够进行视觉与文本的结合对话，具备高效的理解能力和灵活的应用场景，适合商用开发。

ImageToPromptAI是一个基于AI的工具，能够从上传的图像中生成文本提示。用户只需登录账号，上传想要生成提示的图像，AI会分析这些图像并生成相关的文本提示。该工具适用于艺术创作、设计广告以及图像分析等多个领域。

Note Summarizer是一个由AI驱动的工具，能够将冗长的文本转换为简洁、可操作的摘要，帮助用户快速获取关键信息。

B^ DISCOVER是一个创新的AI生成模型服务，旨在帮助用户通过图像的力量探索和发现自己的故事。用户可以通过各种创意艺术作品深入思考、情感和愿望，享受视觉上的引人入胜的体验。

Testolo是一款手机应用，通过GPT和Google MLKit技术为用户生成任何测试问题的答案。用户只需拍摄或上传问题图片，应用便会快速处理并生成答案，方便学生和专业人士备考。

Moondream是一款高效的开源视觉语言模型，结合了强大的图像理解能力和轻量级特征。它设计灵活且易于使用，能够在多种设备和平台上运行。项目提供两个模型变体：Moondream 2B（2亿参数，适用于通用图像理解任务）和Moondream 0.5B（500万参数，专为边缘设备优化）。

R1-Onevision是一款开源的多模态大语言模型，具备深度推理能力，尤其在视觉推理任务中表现卓越。它在数学、科学、图像理解和逻辑推理等多个领域表现出色，并在多项推理基准测试上超越了Qwen2.5-VL-7B和GPT-4V模型。该模型能够处理复杂的图像和文本数据，解决深层次的视觉推理问题，提供7B模型权重，推理性能卓越。

Ferret是来自苹果的新型多模态大型语言模型，擅长图像理解和语言处理，尤其在理解空间参考方面展现了显著的优势。

FiT3D项目旨在通过3D感知的微调技术来增强2D特征表示，提升图像理解和识别的能力。该项目结合了深度学习和计算机视觉的前沿技术，致力于在多种视觉任务中实现更高的性能。

Taggy是一款利用AI技术根据图片内容生成引人注目的描述和引用的工具，旨在提升用户在社交媒体上的互动和可见性。用户只需上传图片，Taggy会自动生成关键词和标签，同时提供多种语气的个性化描述，支持多语言生成，为用户节省时间并增强视觉效果。

OpenManus是一个开源项目，旨在让开发者能够轻松访问、修改和扩展Manus的功能。它无需邀请码，打破AI封闭生态，提供快速上手的体验。项目集成了多种成熟技术，包括大型语言模型（LLM）、AI Agent、计算机/浏览器使用、图像/视频理解、爬虫等，通过产品思维和工程集成，提供高效、智能的解决方案。

InternVL 是由 OpenGVLab 团队开发的开源多模态大模型，旨在提供接近 GPT-4V 和 Gemini Pro 等商业模型性能的替代方案。它支持多种模态任务，包括图像理解、文本生成、跨模态检索等，并且在多个基准测试中表现出色。InternVL 系列模型参数覆盖从 1B 到 78B，适用于各种规模和复杂度的任务。

GPT-4 是 OpenAI 开发的最新大型语言模型，能够处理图像和文本输入，生成文本输出。相较于前代 GPT-3.5，在安全性、事实准确性和内容生成方面有显著提升。它在各种专业和学术基准测试中表现出人类水平的表现，例如通过模拟律师考试成绩在顶尖 10% 左右。GPT-4 通过强化学习从人类反馈中进行调整，以提高事实准确性和遵循用户指令的能力。

meta-prompts是一种利用扩散模型处理视觉感知任务的方案，通过引入可学习的元提示到预训练的扩散模型中，以提取适合特定感知任务的特征。该方法旨在提高模型在各种视觉任务中的表现，支持丰富的语义信息提取，满足类别识别、深度感知和关键点感知等需求。

360VL是基于LLama3语言模型开发的开源大型多模态模型，采用全局感知多分支投影器架构，显著增强了模型的图像理解能力。该模型支持单卡和多卡GPU推理，适用于需要大规模多模态模型的研究和开发。

Diffbot LLM Inference Server 是一个智能推理服务器，通过实时知识图谱和外部工具来提升语言模型的准确性和实用性，具备多种先进功能，能够处理和理解文本、图像及代码，提供高效的信息提取和检索服务。

Qwen-VL是一个支持多种模态输入的高性能项目，旨在提供图像理解和生成能力，并具备灵活的API接口，适合多种应用场景。

一个专注于挖掘多模态视觉语言模型潜力的开源项目，支持从2B到34B不同规模的密集和MoE大型语言模型，具备图像理解、推理和生成的能力。

LLaVA-CoT是第一个能够进行自发、系统推理的视觉语言模型，类似于GPT-01，具有强大的多模式处理能力。该模型通过11B参数的强大架构，支持复杂的视觉语言任务，并在多模式基准测试中表现优于多个现有模型。

MM-RLHF 是一个多模态大语言模型对齐项目，旨在通过高质量指令数据和先进算法，提升模型在图像、视频理解和安全任务中的表现。该项目提供了20k高质量指令数据，覆盖多种任务，并提出全新的MM-DPO算法，显著提升模型性能。此外，项目还包含80k对比对，为强化学习训练提供强大支持。