OpenGVLab

[CVPR 2024 Oral] InternVL Family：一個先驅性的開源替代 GPT-4o 的多模態對話模型，接近 GPT-4o 的表現

[ICLR 2024] 在 1 小時內微調 LLaMA 以遵循指令，僅需 1.2M 參數

[CVPR2024 Highlight][VideoChatGPT] ChatGPT 具備視訊理解功能！並支援 miniGPT4、StableLM、MOSS 等多種語言模型

InternGPT (iGPT) 是一個開源演示平台，您可以輕鬆展示 AI 模型。現在支持 DragGAN、ChatGPT、ImageBind、多模態聊天如 GPT-4、SAM、互動圖像編輯等。試試 igpt.opengvlab.com（支持 DragGAN、ChatGPT、ImageBind、SAM 的線上 Demo 系統）

[CVPR 2023 Highlight] InternImage：利用可變形卷積探索大規模視覺基礎模型

[ECCV2024] 用於多模態理解的影片基礎模型與資料

VisionLLM 系列

SAM-Med2D 的官方實作

[ICLR 2026 Oral] ScaleCUA 是開源的電腦使用代理，能夠在跨平台環境（Windows、macOS、Ubuntu、Android）中運作。

[ECCV2024] VideoMamba: 用於高效影片理解的狀態空間模型

[ICLR2024 spotlight] OmniQuant 是一個簡單且強大的 LLM 量化技術。

[CVPR 2023] VideoMAE V2: 透過雙重遮罩擴展 Video Masked Autoencoders

[CVPR 2024] Deformable Convolution v4

Chatbot Arena 遇上多模態！Multi-Modality Arena 允許您在輸入影像的同時，並排評測視覺語言模型。支援 MiniGPT-4、LLaMA-Adapter V2、LLaVA、BLIP-2 等多種模型！

[ICLR 2025 Spotlight] Vision-RWKV：基於 RWKV 架構的高效且可擴展視覺感知模型

[ICLR2026] VideoChat-Flash：用於長文本影片建模的階層式壓縮技術

[ICLR 2024 & ECCV 2024] The All-Seeing 專案：邁向開放世界的全景視覺識別與理解及通用關係理解。