LLM多模态模型应用探索调研

Qwen3-VL

https://github.com/QwenLM/Qwen-VL

阿里研发的大规模视觉语言模型，以图像、文本、检测框作为输入，并以文本和检测框作为输出。

InternVL(InternVL 3.0)

https://github.com/OpenGVLab/InternVL

InternVL，书生·万象多模态大模型，一个性能强大的开源多模态大模型，MIT许可。

InternVL包括从适合边缘设备的1B模型到更为强大的78B模型。

在很多领域取测试，比如MMMU、MathVista、ChatQA、DocVQA、InfographicVQA、MMBench等测试中InternVL取得优秀表现。

Sana

Sana AI绘画大模型

https://github.com/NVlabs/Sana

SANA: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformers

https://arxiv.org/abs/2410.10629

reference

---

Qwen3-VL

https://qwen3.org/vl/

Qwen3-VL

https://github.com/QwenLM/Qwen-VL

InternVL(InternVL 3.0)

https://github.com/OpenGVLab/InternVL

书生·万象多模态大模型（InternVL）系列

https://zhuanlan.zhihu.com/p/703940563

SANA: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformers

https://arxiv.org/abs/2410.10629

Awesome Chinese LLM（包含医学、法律等领域的LLM）

https://github.com/HqWu-HITCS/Awesome-Chinese-LLM.git

【多模态理解与生成统一模型】LLM+image token生成范式原理与代码解析

https://zhuanlan.zhihu.com/p/8305891572

Sana - 英伟达等推出的开源图像生成模型，支持生成4096×4096图像

https://www.aihub.cn/ai-model/sana/

Sana

https://github.com/NVlabs/Sana

CVPR2024｜底层视觉(超分辨率，增强，恢复，去雨，去雾等)相关论文汇总（附论文链接/代码/解析）[持续更新]

https://zhuanlan.zhihu.com/p/684196283