OpenGVLab

[CVPR 2024 Oral] InternVL Family：一个先驱性的开源替代 GPT-4o 的多模态对话模型，接近 GPT-4o 的表现

[ICLR 2024] 在 1 小时内微调 LLaMA 以遵循指令，仅需 1.2M 参数

[CVPR2024 Highlight][VideoChatGPT] ChatGPT 具备视频理解功能！并支持 miniGPT4、StableLM、MOSS 等多种语言模型

InternGPT (iGPT) 是一个开源演示平台，您可以轻松展示 AI 模型。现在支持 DragGAN、ChatGPT、ImageBind、多模态聊天如 GPT-4、SAM、互动图像编辑等。试试 igpt.opengvlab.com（支持 DragGAN、ChatGPT、ImageBind、SAM 的线上 Demo 系统）

[CVPR 2023 Highlight] InternImage：利用可变形卷积探索大规模视觉基础模型

[ECCV2024] 用于多模态理解的视频基础模型与数据

VisionLLM 系列

SAM-Med2D 的官方实现

[ICLR 2026 Oral] ScaleCUA 是开源的电脑使用代理，能够在跨平台环境（Windows、macOS、Ubuntu、Android）中运作。

[ECCV2024] VideoMamba: 用于高效视频理解的状态空间模型

[ICLR2024 spotlight] OmniQuant 是一个简单且强大的 LLM 量化技术。

[CVPR 2023] VideoMAE V2: 通过双重遮罩扩展 Video Masked Autoencoders

[CVPR 2024] Deformable Convolution v4

Chatbot Arena 遇上多模态！Multi-Modality Arena 允许您在输入图像的同时，并排评测视觉语言模型。支持 MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2 等多种模型！

[ICLR 2025 Spotlight] Vision-RWKV：基于 RWKV 架构的高效且可扩展视觉感知模型

[ICLR2026] VideoChat-Flash：用于长文本视频建模的层级压缩技术

[ICLR 2024 & ECCV 2024] The All-Seeing 项目：迈向开放世界的全景视觉识别与理解及通用关系理解。