Efficient LLM and Multimodal Foundation Model Survey – 高效LLM与多模态模型资源汇总

SlowFast-LLaVA是苹果开源的一个用于视频理解和推理的免训练多模态大型语言模型。该模型无需任何数据微调即可直接应用于视频理解任务，并且在多种视频问答任务和基准测试中表现优秀，可媲美或优于最先进的视频LLMs。它适用于多种多模态任务，如视频问答、视频生成、视频分类等，是视频理解和推理任务的强基线模型。

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。

Opuna Marketplace 是一个用于购买和销售数字产品的平台，提供包括AI机器人、Telegram和Discord社区的访问权、教育材料、电子书等多种产品。该平台配备安全的支付网关和争议解决中心，确保交易的安全与便利。

一个大模型导航资源，里面收集了几乎全部的模型，具有里程碑意义的论文，排行榜，测试集，训练框架，部署，应用，书籍等

NVIDIA NeMo是一个可扩展的云原生生成式AI框架，专为研究人员和PyTorch开发者设计，支持大语言模型（LLM）、多模态模型（MM）、自动语音识别（ASR）、文本转语音（TTS）和计算机视觉（CV）等领域。它旨在帮助用户高效地创建、定制和部署新一代AI模型，利用现有的代码和预训练模型检查点。NeMo基于Python配置，采用模块化抽象，支持在成千上万个GPU上进行大规模实验。

Awesome LLM OS 是一个关于大型语言模型操作系统的精选资源库，旨在帮助开发者和研究人员快速了解和探索LLM-OS的前沿研究、工具和项目。该资源库涵盖了20多篇顶级研究论文，提供多种开发接口和项目示例，并且是社区驱动，持续更新。

这是一个针对高效大语言模型的精心策划的资源列表，涵盖相关研究论文和技术，定期更新以保持信息的时效性，并对资源进行分类，方便用户浏览。包括理论论文和实践实现，旨在为研究人员和开发者提供有价值的参考。

一份收集整理了各种人工智能领域的资源集合，涵盖常用工具、学习教程、代码编程、书籍、讲座视频、周刊及相关论文等内容。

Pixtral-12B-2409 是 Mistral AI 开发的多模态模型，拥有12亿参数的解码器和4亿参数的视觉编码器，能够同时处理文本和图像。它支持128k长上下文，具备图像理解能力如OCR和视觉问答，支持中/英/日/韩等24种语言，满足全球化需求。该模型在多模态任务中表现优异，尤其在文档问答（DocVQA）和视觉问答（VQAv2）上领先，且可以在单张RTX 4090上运行，许可证为Apache 2.0。

Awesome-Agent4SE是一个关于软件工程中Agent的资源列表，汇集了大量关于如何将大型语言模型（LLM）应用于软件工程领域的研究论文。该项目旨在帮助开发者和研究人员更好地理解和利用这些技术，以提升软件开发的效率和质量。通过提供全面的调查、现状和未来展望，Awesome-Agent4SE成为了一个宝贵的资源库，适用于学术研究、开发项目以及教学培训。

LlamaV-o1是一个大型多模态模型，能够进行自发推理。在VCR-Bench基准测试中表现优异，超越了多个知名模型，如Gemini-1.5-flash和GPT-4o-mini。该模型结合了课程学习的结构化进展，使用Beam Search提升效率，特别适合复杂的多步视觉推理任务，具备高准确性和高效率。

VisualThinker-R1-Zero是一个探索2B模型多模态“顿悟时刻”的项目，首次在2B非SFT模型上实现视觉推理的“顿悟时刻”。该项目显著增加了模型响应长度，大幅提升了推理能力，并观察到模型的自我反思行为，能够自动纠正错误。

该项目是一个精选的GPT-4o生成图片案例集合，展示了OpenAI最新多模态模型在图像创作领域的强大能力。 包含46个高质量案例，涵盖Q版3D、复古海报、吉卜力风格等多样化主题，每个案例均附详细提示词和效果图， 旨在为创作者提供灵感和实用参考。项目还整合了提示词工程技巧和推荐工具，支持中英双语。

这是一个专门收集与多模态大语言模型（MLLM）幻觉相关资源的项目，包含研究论文、工具、教程和社区讨论。

有关大型语言模型（LLM）约束解码的精选论文列表，包含相关代码和资源，旨在实现更可靠、可控和高效的文本生成。