LongVA

Ein Langkontext-Transformationsmodell, das Sprache in visuelle Informationen übersetzt.

Normales ProduktBildLangkontextVisuelles Modell

Website öffnen

LongVA ist ein Langkontext-Transformationsmodell, das über 2000 Frames oder über 200.000 visuelle Markierungen verarbeiten kann. Es erzielt im Video-MME Benchmark unter den 7B-Modellen führende Ergebnisse. Das Modell wurde mit CUDA 11.8 und A100-SXM-80G getestet und kann über die Hugging Face Plattform schnell gestartet und verwendet werden.

Product Finder

Product Submit

AI Models Finder

MCP Servers

MCP Client

MCP Inspector

Case Tutorials

Latest AI News

AI Daily Brief

LongVA

LongVA Neueste Verkehrssituation

LongVA Besuchstrend

LongVA Geografische Verteilung der Besuche

LongVA Traffic-Quellen

LongVA Alternativen

LongVA — Ein Langkontext-Transformationsmodell, das Sprache in visuelle Informationen übersetzt.

ultravox-v0_4_1-llama-3_1-8b — Multimodales Sprachgroßmodell

TableGPT2 — Großes multimodales Modell, integriert Tabellendaten

MAVIS — Mathematisch-visuelles, durch Instruktion optimiertes Modell

llama3v — Spitzenmodell (State of the Art) für visuelle Anwendungen, basierend auf Llama3 8B.

InternViT-6B-448px-V2_5 — Verbessertes visuelles Modell basierend auf InternViT-6B-448px-V1-5

Aya Vision — Aya Vision ist ein mehrsprachiges, multimodales visuelles Modell von Cohere, das darauf abzielt, das Verständnis von visuellem und Textmaterial in mehrsprachigen Szenarien zu verbessern.

Aria-UI — Multimodales Modell zur visuellen Lokalisierung von GUI-Anweisungen

VMamba — Visuelles Zustandsraummodell mit linearer Komplexität und globaler Wahrnehmung.

PaliGemma — Googles hochmodernes, offenes visuelles Sprachmodell

Kimi visuelles Denkmodell k1 — Auf Reinforcement Learning basierendes visuelles Denkmodell, branchenführend im Bereich naturwissenschaftlicher Tests.

DeepSeek-VL2-Tiny — Fortgeschrittenes großes visuelles Sprachmodell mit Mixture-of-Experts (MoE)

ultravox-v0_4_1-mistral-nemo — Multimodales Sprachgroßsprachenmodell

VisualCloze — Ein universelles Bildgenerierungsframework, das durch visuelles Kontextlernen funktioniert.

DeepSeek-VL2-Small — Ein fortschrittliches, großes visuelles Sprachmodell mit Mixture-of-Experts (MoE)-Architektur

Aria — Multimodales natives Experten-Mix-Modell

Florence-2-large — Ein fortschrittliches visuelles Basismodell, das verschiedene visuelle und visuell-sprachliche Aufgaben unterstützt.

MouSi — Multimodales visuell-sprachliches Modell

Hippocampus Lernen — Hippocampus Lernen ist ein KI-basiertes Mehrwertprodukt für die K12-Bildung.

Florence-2-Basis — Ein fortschrittliches visuelles Basismodell, das verschiedene visuelle und visuell-linguistische Aufgaben unterstützt.

LLaVA-o1 — Visuell-sprachliches Modell, das schrittweise Schlussfolgerungen ziehen kann.

VILA — Ein multimodales visuelles Sprachmodell mit Trainings-, Inferenz- und Evaluierungslösungen, das sich von der Cloud bis zu Edge-Geräten (wie Jetson Orin und Laptops) einsetzen lässt.

Gemini Pro — Hochleistungsfähiges multimodales KI-Modell

Aria-Base-64K — Multimodales, natives Mixture-of-Experts-Modell

CogVLM — Leistungsstarkes Open-Source-visuelles Sprachmodell

Universeller Prädiktor lernen — Leistungsstarkes Lernen universeller Prädiktoren

SmolVLM — Effizientes, quelloffenes visuelles Sprachmodell

MoE-LLaVA — Experten-Mix-Modell basierend auf einem großskaligen Bild-Sprach-Modell

Lumina-mGPT — Multimodales autoregressives Modell, spezialisiert auf die Text-zu-Bild-Generierung

Promptclub — Online-Plattform für KI-Modell-Programmierung und interaktives Lernen