Agent S
Agent-S官网,Simular AI 开发的开源代理框架,通过图形用户界面(GUI)实现人机交互的自动化 简介 Agent-S 是一款由 Simular AI 开发的开源代理框架,旨在通过图形用户界面(GUI)实现人机交互的自动化。它能够模拟人类操作方式,使用鼠标和键盘直接与计算机互动,处理复杂的多步骤任务。Agent-S 的核心功能包括自然语言交互、多任务自动化处理、跨平台兼容性以及持续学习和记忆更新。它支持 Windows、ma
标签「多模态学习」
AI NAVIGATION工具导航带「多模态学习」标签的 AI 工具与站点，共 16 个，可按左侧分类继续缩小范围。
最后更新
2026-10-16 15:37
4M
多模态和多任务模型训练框架
CuMo
一种用于扩展多模态大型语言模型(LLMs)的先进架构
DeepSeek-VL2-Small
先进的大型混合专家视觉语言模型
FakeShield
基于多模态大语言模型的可解释图像检测与定位
InternViT-300M-448px-V2_5
基于InternViT-300M-448px的增强版本,提升视觉特征提取能力
Llama3-s v0.2
最新多模态检查点,提升语音理解能力
llava-llama-3-8b-v1_1
一款由XTuner优化的LLaVA模型,结合了图像和文本处理能力
LLaVA-Video
视频指令调优与合成数据研究
MATHVERSE
探讨多模态大型语言模型在解决视觉数学问题中的能力
MMAudio
MMAudio根据视频和/或文本输入生成同步音频
NVLM
前沿级多模态大型语言模型,实现视觉-语言任务的先进性能
OmniTalker
OmniTalker 是一个实时文本驱动的生成谈话头框架
Stable Diffusion 3
先进文本生成图像模型
Stable Diffusion 3 API
先进的文本到图像生成系统
VideoLLaMA2-7B-Base
大型视频语言模型,提供视觉问答和视频字幕生成
工具条目与简介来自各站点的公开页面与公开导航站收录记录，简介为中文归纳；可用性、定价与服务条款以各家官网为准。
