[NeurIPS'23 口头报告] 视觉指令微调(LLaVA)面向达到并超越 GPT-4V 级别能力构建。
visual-language-learning 开源项目推荐(14 个)
visual-language-learning 话题在 GitHub 上没有填写简介,这里按 Star 数汇总最相关的热门仓库。
热门项目 全部 14
GitHub 共 14 个仓库,已全部展示ICML 2024 论文 NExT-GPT:任意到任意多模态大语言模型的代码和模型
Otter,一个基于 OpenFlamingo(DeepMind Flamingo 的开源版本)的多模态模型,在 MIMIC-IT 上训练,并展现出改进的指令遵循和上下文学习能力。
InternLM-XComposer2.5-OmniLive: A Comprehensive Multimodal System for Long-term Streaming Video and Audio Interactions
An open-source implementation for training LLaVA-NeXT.
[CVPR'24] RLHF-V: Towards Trustworthy MLLMs via Behavior Alignment from Fine-grained Correctional Human Feedback
(AAAI 2024) BLIVA: A Simple Multimodal LLM for Better Handling of Text-rich Visual Questions
🧘🏻♂️KarmaVLM (相生):A family of high efficiency and powerful visual language model.
Multimodal Instruction Tuning for Llama 3
Build a simple basic multimodal large model from scratch. 从零搭建一个简单的基础多模态大模型🤖
[ACM MMGR '24] 🔍 Shotluck Holmes: A family of small-scale LLVMs for shot-level video understanding
Docker image for LLaVA: Large Language and Vision Assistant
PyTorch implementation of OpenAI's CLIP model for image classification, visual search, and visual question answering (VQA).
Efficient Video Question Answering
关于这个话题
- 清单取自 GitHub 话题页并按 Star 数排序,每次展示前 14 个项目;原始页面见 https://github.com/topics/visual-language-learning。
- 该话题在 GitHub 上共有 14 个仓库, 本站收录的是其中最热门的 14 个,不是全量列表。
- Star / Fork 每日自动刷新一次,实时数据以 GitHub 为准。
- 当前 14 个项目累计 3.6 万 Star,覆盖 3 种主要语言,数据更新于 2026-11-07。
- 中文介绍来自 GitHub 官方话题说明(github/explore)的机器翻译,可点「查看原文」对照;译文缺失时会先展示原文。