视觉语言理解

开源视觉语言大模型，经微调对齐提升图文生成准确性 MiniGPT-4是一款聚焦视觉语言交互的多模态大模型，通过原始图像文本对预训练、对话模板对齐数据微调的方案，提升生成结果的连贯性与准确性。可基于输入图像完成创作、问题解决、生活指导等多种任务，相关定价与定位以官网信息为准。

智源研发的单Transformer统一多模态模型，无需扩散组合架构 Emu3是北京智源人工智能研究院研发的多模态大模型，打破当前多模态模型常用的扩散或组合架构设计思路，通过将多模态序列统一到单个Transformer模型中，简化了多模态系统的复杂设计。在生成类与感知类多模态任务上，性能超越多个细分领域的特定任务旗舰模型，具备良好的训练与推理扩展潜力。