Florence-VL开源项目 – 微软开源的多模态图像理解模型

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。

Gemini是谷歌推出的一款先进的人工智能系统，旨在提升用户的智能体验，通过深度学习和自然语言处理技术提供多种服务。Gemini结合了谷歌在AI领域的最新研究成果，能够在各类应用场景中展现出色的性能和效率。

PaliGemma 2 Release 是由 Google 提供的多模态视觉语言模型集合，包含 3B、10B 和 28B 不同参数规模的模型。该项目基于 Gemma 2 语言模型和 SigLIP 视觉编码器，支持多种分辨率的图像输入，适用于图像描述、视觉问答（VQA）、光学字符识别（OCR）、表格结构识别和医学图像理解等任务。模型通过 Transformers 库进行微调，适合在广泛的视觉语言任务上实现领先性能。

HopShop是一个平台，用户可以通过上传所需产品的图片，快速找到相应的服装商品。只需拍照或截图想要寻找的服装，上传到HopShop应用中，系统将搜索并列出所有出售相同或相似产品的商店。

Thinkbuddy AI 是一款专为Mac用户设计的智能助手，用户可以通过语音或截图向AI提问，执行文本选择命令，创建和保存自定义提示，并自定义快捷键以便快速使用，还可以使用Whisper进行语音输入。该项目旨在提升MacOS的使用效率和体验。

GodelBots通过生成二维码，让客户扫描后获取全面的产品信息和问题答案，包括图片、视频和产品推荐，从而提升客户体验，减轻支持团队负担，促进交叉销售相关产品。

iAsk 是一个智能助手，能够回答有关您文件和链接的问题。用户只需在 Apple 设备上安装该应用并授权必要的权限，就可以使用语音、相机和图像来询问文件和链接的信息。

ChatBoo是一款利用前沿技术的AI聊天机器人应用，旨在理解自然语言并提供相关信息，为用户创造友好和直观的互动平台。

SEC GPT 是一款智能助手，旨在帮助用户快速获取和理解官方文件的信息，支持多语言解读和简化复杂术语，助力用户做出更明智的决策。

Luminal是一款创新的AI工具，旨在提高数字工作流程的效率。它能够自动化许多传统上需要大量时间和精力的任务，帮助专业人士和组织优化运营。Luminal的设计注重用户体验，提供可定制的工作流程和智能分析，适用于各种行业和规模的用户。

MemoriPy是一个开源的记忆层，通过增强AI的类人记忆和适应能力，使应用能够基于上下文进行智能处理。

基于LangGraph和模型上下文协议（MCP）构建的通用AI助手模板，旨在无缝集成大语言模型应用与外部数据源和工具，支持多代理模式以高效处理复杂任务，提供极高的灵活性和可扩展性。

LAVIS是一个一站式的语言-视觉智能库，支持多种语言-视觉任务，集成多种预训练模型，提供简单易用的API，以及自定义模型的训练和评估，具备高效的推理速度和性能。

Stella AI 是一款可以自动化管理所有行政任务的智能助手，从提醒和日程安排到研究和邮件草稿，用户只需通过 WhatsApp 或 iMessage 发送简单的文本或语音消息，Stella 就能处理一切，让用户能够专注于自己喜欢的事情。

Probook是一款Chrome扩展，专为家居服务行业（如暖通、管道和电气公司）设计，利用AI技术根据历史数据和路线优化为技术人员匹配合适的服务请求，自动化调度和优化路由，提高工作效率。