清华发布的一个语言视觉模型：CogVLM-17B

一个开源视觉语言模型（VLM），可以理解图像，对标LLAVA-1.5和 MiniGPT-4。CogVLM-17B拥有100亿个视觉参数和70亿个语言参数。在 NoCaps、Flicker30k 字幕、RefCOCO、RefCOCO+、RefCOCOg、Visual7W、GQA、ScienceQA、VizWiz VQA 和 TDIUC 等10个经典跨模态基准测试中实现了最先进的性能。

体验地址：http://36.103.203.44:7861
开源地址：https://github.com/THUDM/CogVLM