HunyuanVideo-I2V开源项目 – 腾讯混元图生视频模型

Woodpecker是一种用于多模态大语言模型的幻觉修正工具，旨在提高生成文本的准确性和可靠性。它支持多种输入类型和数据源，集成简单，易于使用，能够有效地纠正生成过程中出现的错误信息。

MUG-U是一个强大的多模态大语言模型（MLLM），支持文本、图像、视频等多种输入，能够帮助用户轻松完成复杂的多模态任务。它在多个基准测试中表现卓越，平均准确率高达71.4%，并提供简单易用的API接口，方便快速上手。

孟子 GPT 大语言模型是由澜舟科技开发的一个大规模语言模型，支持多语言和多模态数据处理，广泛应用于文本理解和生成任务。该模型在国内评测中表现优异，如 C-EVAL 和 SUPERCLUE，并于 2023 年底通过网信办备案，已面向公众开放。其技术特点包括多模型架构支持、知识图谱增强、小样本学习能力以及图文双模态输入等。

MiniMaxVL-01是MiniMax开发的多模态大型语言模型，基于Transformer架构，能够处理和理解文本和图像输入。它在多模态基准测试中表现优异，性能与GPT-4o和Claude-3.5-Sonnet相当，具有较长的上下文窗口（20-32倍于标准模型）。该模型通过API平台提供服务，广泛应用于招聘、电商、教育等领域，支持AI音乐生成、智能文档生成、AI语音合成、实时语音通话和AI视频生成等先进技术。

VCoder是一个多功能视觉编码器，旨在提升多模态大语言模型的感知能力，支持图像推理和生成任务，能够识别和计算图像中的物体，同时提供分割和深度图等感知模式，并利用COCO数据集进行训练和评估。

该项目是一个精选论文列表，专注于为多模态大语言模型（MLLM）提供高效的Token合并、减少、重采样和丢弃方法。通过整合多篇相关论文，帮助开发者和研究人员理解和实现高效的Token管理策略，从而优化多模态大语言模型的Token处理效率。

该项目是一份多模态大语言模型相关论文和资源的阅读清单，旨在汇集、分类和整理最新的研究成果，帮助研究人员和开发者了解多模态LLM的进展和最佳实践。

AI Anime Generator 是一款利用人工智能技术帮助用户轻松创作动漫的工具。无论是专业艺术家还是动漫爱好者，都可以通过简单的操作，将自己的创意转化为生动的动漫作品。该项目旨在简化动漫创作流程，让每个人都能发挥创意，创造独特的动漫角色和场景。

NExT-GPT 是一个支持多种输入和输出形式的多模态大语言模型，具有灵活的处理能力，可广泛应用于文本、语音、图像和视频等多种场景。

OpenEMMA 是一个基于 LLaVA 的多模态大语言模型的开源端到端自动驾驶框架。它能够整合文本和摄像头等多模态输入，精确预测未来行驶路径，并提供决策理由，支持自动驾驶系统的开发、测试和研究。

PaLM（Pathways Language Model）是Google开发的大型语言模型，首发于2022年4月，最新版本PaLM 2于2023年5月推出。 该模型拥有5400亿参数，训练数据涵盖7800亿标记，包含50%社交媒体内容以增强对话能力。 其特色在于多语言支持（超100种语言）、强大的推理和编码能力，并驱动Google Bard、Workspace等25+产品。 创新性地衍生出医疗专用版Med-PaLM 2（可分析X光片）、安全专用版Sec-PaLM等垂直领域变体。

CoDi-2是一种多功能、交互式的多模态大语言模型 (MLLM)，它可以以任意对任意的方式遵循复杂的多模态交错指令、进行上下文学习 (ICL)、推理、聊天、编辑等。

该项目是对多模态大语言模型的全面调查，涵盖最新进展、模型比较和评估以及多种应用场景，信息更新频繁，确保时效性。

hunyan video 是腾讯公司于2024年开源的一个重量级视频生成模型，拥有约13亿参数（原介绍为130亿，可能存在拼写错误），是目前最大的开源视频生成模型之一。该模型通过文本或图像生成高质量视频，尤其在图像质量、动态流畅性和语义理解方面表现优异。支持多模态大语言模型作为文本编码器，并采用3D VAE技术进行数据压缩。生成的视频质量可媲美电影级，支持多角度镜头自动切换，尤其对中国风格内容有较强表现力。用户可通过官网或元宝APP在线体验，或通过GitHub下载代码和模型权重自行部署。

OpenOmni 是一个开源的多模态大语言模型，旨在解决多模态数据稀缺和计算资源有限的问题。它能够实时生成带有情感的语音，支持语音、文本、图像和视频的多模态理解，并提供两种实时情感语音生成模式（CTC模式和AR模式），以平衡速度与质量。其灵活的框架设计使其能够快速应用于多种下游任务，如语音导航和多角色对话。