LanguageBind
UniWorld 是一个用于视觉理解、生成和编辑的统一框架，在20多个视觉任务中表现出色。
Video-LLaVA是一个开源的多模态模型，通过在多模态指令跟随数据上微调大语言模型进行训练，能够生成交错的图像和视频。
MoE-LLaVA是一种基于专家混合架构的大型视觉语言模型，通过稀疏激活参数实现高效的多模态学习
MoE-LLaVA是一种基于专家混合架构的大规模视觉语言模型，通过稀疏激活参数实现高效的多模态学习。
LanguageBind 是一种通过语言实现多模态语义对齐的预训练模型，能够将视频、音频、深度、热成像等多种模态与语言进行绑定，实现跨模态的理解和检索。
LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态之间的纽带，实现多模态语义对齐。
LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态间的纽带实现语义对齐。
LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态之间的纽带，实现视频、红外、深度、音频等多种模态的语义对齐。
LanguageBind是一种通过基于语言的语义对齐将视频-语言预训练扩展至N模态的多模态模型，获得了ICLR 2024的接收。
Video-LLaVA是一个通过投影前对齐学习统一视觉表征的多模态模型，能够同时处理图像和视频的视觉推理任务。
LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态之间的纽带，实现语义对齐。
LanguageBind是一种通过语言语义对齐将视频-语言预训练扩展至N模态的多模态预训练框架，被ICLR 2024收录。
LanguageBind 是一种以语言为中心的多模态预训练方法，通过语言语义对齐将视频-语言预训练扩展至N模态，实现了高性能的多模态理解与对齐。
LanguageBind是一个通过语言作为纽带实现多模态语义对齐的预训练框架，支持视频、红外、深度、音频等多种模态与语言的联合学习。
Transformers%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
