標簽：視覺問答

WPS 大家經常用來日常寫作，雖然本身提供了AI功能，但可惜需要會員，本文教你三分鐘接入最火的DeepSeek，讓WPS秒變辦公神器。 DeepSeek API申請地址：http:/...

這兩年大家都在感嘆生活不易，然而我想說的是，機會還是有的，但問題不在于有沒有，而在于你是否能夠認準機會，然后抓住它。 接觸過很多咨詢項目的人，發現...

InternVL3.5（書生·萬象3.5）是上海人工智能實驗室開源的多模態大模型，模型在通用能力、推理能力和部署效率上全面升級，提供從10億到2410億參數的九種尺寸版...

SlowFast-LLaVA-1.5（簡稱SF-LLaVA-1.5）是專為長視頻理解設計的高效視頻大語言模型。基于雙流（SlowFast）機制，平衡處理更多輸入幀與減少每幀令牌數量之間...

dots.vlm1 是小紅書 hi lab 開源的首個多模態大模型。基于一個從零訓練的 12 億參數視覺編碼器 NaViT 和 DeepSeek V3 大語言模型（LLM），具備強大的視覺感知...

Qwen VLo 是通義千問團隊推出的多模態統一理解與生成模型。在多模態大模型的基礎上進行了全面升級，能“看懂”世界，能基于理解進行高質量的再創造，實現了從感...

SmolVLA 是 Hugging Face 開源的輕量級視覺-語言-行動（VLA）模型，專為經濟高效的機器人設計。擁有4.5億參數，模型小巧，可在CPU上運行，單個消費級GPU即可...

FastVLM是蘋果推出的高效的視覺語言模型（VLM），能提升高分辨率圖像處理的效率和性能。模型引入FastViTHD新型混合視覺編碼器，有效減少視覺token數量，顯著...

mPLUG-Owl3是阿里巴巴推出的先進通用多模態大模型，專為理解和處理多圖及長視頻設計。在保持準確性的同時，顯著提升了推理效率，能在4秒內分析完2小時電影。

LLaVA-OneVision是字節跳動推出開源的多模態AI模型，LLaVA-OneVision通過整合數據、模型和視覺表示的見解，能同時處理單圖像、多圖像和視頻場景下的計算機視...