直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

图片对话模型有哪些

回答

以下是一些常见的图片对话模型：

  • ChatGLM：
    • 地址：https://github.com/THUDM/ChatGLM-6B
    • 简介：中文领域效果最好的开源底座模型之一，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持。
  • VisualGLM-6B：
    • 地址：https://github.com/THUDM/VisualGLM-6B
    • 简介：一个开源的，支持图像、中文和英文的多模态对话语言模型，语言模型基于 ChatGLM-6B，具有 62 亿参数；图像部分通过训练 BLIP2-Qformer 构建起视觉模型与语言模型的桥梁，整体模型共 78 亿参数。依靠来自于 CogView 数据集的 30M 高质量中文图文对，与 300M 经过筛选的英文图文对进行预训练。
  • Chinese-LLaMA-Alpaca：

智谱·AI 开源的图片对话模型有：

  • CogAgent-18B：基于 CogVLM-17B 改进的开源视觉语言模型。拥有 110 亿视觉参数和 70 亿语言参数，支持 1120*1120 分辨率的图像理解，在 CogVLM 功能的基础上，具备 GUI 图像的 Agent 能力。
  • CogVLM-17B：强大的开源视觉语言模型（VLM）。基于对视觉和语言信息之间融合的理解，CogVLM 可以在不牺牲任何 NLP 任务性能的情况下，实现视觉语言特征的深度融合。是目前多模态权威学术榜单上综合成绩第一的模型，在 14 个数据集上取得了 state-of-the-art 或者第二名的成绩。
  • Visualglm-6B：一个开源的，支持图像、中文和英文的多模态对话语言模型，语言模型基于 ChatGLM-6B，具有 62 亿参数；图像部分通过训练 BLIP2-Qformer 构建起视觉模型与语言模型的桥梁，整体模型共 78 亿参数。

智谱·AI 开源的 Chat 模型有：

  • ChatGLM-6B-int4：ChatGLM-6B 的 Int4 版本。最低只需 6GB 显存即可部署，最低只需 7GB 显存即可启动微调（P-Tuning v2）
    • 上下文 token 数：2K
    • 代码链接：Huggingface
    • 模型权重下载链接：魔搭社区、始智社区、启智社区
  • ChatGLM-6B-int8：ChatGLM-6B 的 Int8 版本
    • 上下文 token 数：2K
    • 代码链接：Huggingface
    • 模型权重下载链接：魔搭社区、始智社区、启智社区
  • AgentLM-7B：
    • 简介：1. 提出了一种 AgentTuning 的方法；2. 开源了包含 1866 个高质量交互、6 个多样化的真实场景任务的 Agent 数据集 AgentInstruct；3. 基于上述方法和数据集，利用 Llama2 微调了具备超强 Agent 能力的 AgentLM-7B、AgentLM-13B、AgentLM-70B。
    • 上下文 token 数：4K
    • 代码链接：AgentTuning
    • 模型权重下载链接：🤗Huggingface Repo
  • AgentLM-13B：
  • AgentLM-70B：
内容由 AI 大模型生成，请仔细甄别（powered by aily）

参考资料

LLM开源中文大语言模型及数据集集合

ChatGLM：地址：[https://github.com/THUDM/ChatGLM-6B](https://github.com/THUDM/ChatGLM-6B)简介：中文领域效果最好的开源底座模型之一，针对中文问答和对话进行了优化。经过约1T标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持VisualGLM-6B地址：[https://github.com/THUDM/VisualGLM-6B](https://github.com/THUDM/VisualGLM-6B)简介：一个开源的，支持图像、中文和英文的多模态对话语言模型，语言模型基于ChatGLM-6B，具有62亿参数；图像部分通过训练BLIP2-Qformer构建起视觉模型与语言模型的桥梁，整体模型共78亿参数。依靠来自于CogView数据集的30M高质量中文图文对，与300M经过筛选的英文图文对进行预训练。Chinese-LLaMA-Alpaca：地址：[https://github.com/ymcui/Chinese-LLaMA-Alpaca](https://github.com/ymcui/Chinese-LLaMA-Alpaca)简介：中文LLaMA&Alpaca大语言模型+本地CPU/GPU部署，在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练

智谱·AI 开源模型列表

��模态的模型。|模型|介绍|代码链接|模型下载|<br>|-|-|-|-|<br>|CogAgent-18B|基于CogVLM-17B改进的开源视觉语言模型。CogAgent-18B拥有110亿视觉参数和70亿语言参数，支持1120*1120分辨率的图像理解，在CogVLM功能的基础上，具备GUI图像的Agent能力。|[CogVLM & CogAgent](https://github.com/THUDM/CogVLM)|[Huggingface](https://huggingface.co/THUDM/CogVLM)|[魔搭社区](https://modelscope.cn/models/ZhipuAI/cogagent-chat/summary)|[Swanhub](https://swanhub.co/ZhipuAI/cogagent-chat-hf)|始智社区|<br>|CogVLM-17B|强大的开源视觉语言模型（VLM）。基于对视觉和语言信息之间融合的理解，CogVLM可以在不牺牲任何NLP任务性能的情况下，实现视觉语言特征的深度融合。我们训练的CogVLM-17B是目前多模态权威学术榜单上综合成绩第一的模型，在14个数据集上取得了state-of-the-art或者第二名的成绩。||[Huggingface](https://huggingface.co/THUDM/cogvlm-chat-hf)|[魔搭社区](https://modelscope.cn/models/AI-ModelScope/cogvlm-chat/summary)|<br>|Visualglm-6B|VisualGLM-6B是一个开源的，支持图像、中文和英文的多模态对话语言模型，语言模型基于[ChatGLM-6B](https://github.com/THUDM/ChatGLM-6B)，具有62亿参数；图像部分通过训练[BLIP2-Qformer](https://arxiv.org/abs/2301.12597)构建起视觉模型与语言模型的桥梁，整体模型共78亿参数。|[VisuaGLM](https://github.com/THUDM/VisualGLM-6B)|[Huggingface](https://huggingface.co/THUDM/visualglm-6b)|[魔搭社区](https://modelscope.cn/models/ZhipuAI/visualglm-6b/summary)|<br>|RDM|Relay Diffusion Model：级联扩散模型，可以从任意给定分辨率的图像快速生成，而无需从白噪声生成。|[RDM](https://github.com/THUDM/RelayDiffusion)||

智谱·AI 开源模型列表

��语言模型列表|模型|介绍|上下文token数|代码链接|模型权重下载链接|<br>|-|-|-|-|-|<br>|ChatGLM-6B-int4|ChatGLM-6B的Int4版本。最低只需6GB显存即可部署，最低只需7GB显存即可启动微调（[P-Tuning v2](https://github.com/THUDM/P-tuning-v2)）|2K||[Huggingface](https://huggingface.co/THUDM/chatglm-6b-int4)|魔搭社区|始智社区|启智社区|<br>|ChatGLM-6B-int8|ChatGLM-6B的Int8版本|2K||[Huggingface](https://huggingface.co/THUDM/chatglm-6b-int8)|魔搭社区|始智社区|启智社区|<br>|AgentLM-7B|1.我们提出了一种AgentTuning的方法；2.我们开源了包含1866个高质量交互、6个多样化的真实场景任务的Agent数据集AgentInstruct3.基于上述方法和数据集，我们利用Llama2微调了具备超强Agent能力的AgentLM-7B、AgentLM-13B、AgentLM-70B。|4K|[AgentTuning](https://github.com/THUDM/AgentTuning)|[🤗Huggingface Repo](https://huggingface.co/THUDM/agentlm-7b)|<br>|AgentLM-13B||4K||[🤗Huggingface Repo](https://huggingface.co/THUDM/agentlm-13b)|<br>|AgentLM-70B||8K||[🤗Huggingface Repo](https://huggingface.co/THUDM/agentlm-70b)|

其他人在问
模型微调怎么解决多轮对话容易受到上轮对话的影响问题
在解决模型微调中多轮对话容易受到上轮对话影响的问题时： 对于多轮对话，现实中常伴随指代问题，如使用“它”“他们”“我们”等代词。若仅依据原始提问检索知识片段，可能导致结果不精确或无法检索到信息。同时，对模型回复内容的限制可能影响多轮对话流畅性甚至中断。 为提升对话系统性能和用户体验，需开发提示词解决多轮对话中的指代消解问题，确保模型能在连续交流中提供准确连贯回答。但由于“指代消解”需多轮对话完成，单次交互无法达成，所以要转换测试形式，先解决“指代消解”问题再进行下一轮答复。 首先准备指代消解所需提示词，这里使用的“指代消解”提示词是用 CoT 写出的思维链，列举不同推理情景，让模型适应并推理出需消解的代词，再根据结果重新组织问题。 接着复现指代消解步骤，如进行第一轮对话，提出问题“尼罗河是什么？”，系统召回相关知识片段并回复，然后开始指代消解。 另外，聊天模型通过一串聊天对话输入并返回生成消息输出。聊天格式虽为多轮对话设计，但对单轮任务也有用。会话通过 messages 参数输入，包含不同角色和内容的消息对象数组。通常会话先有系统消息设定助手行为，再交替使用用户和助手消息。当指令涉及之前消息时，包含聊天历史记录有帮助，若超出模型限制需缩减会话。
2024-11-21
与PDF对话
以下是关于与 PDF 对话的相关内容： AIGC 落地应用中，有 ChatWithPDF 官方 Pulgin 可解决 Chat GPT 无法阅读、解析 PDF 的问题，推荐指数为🌟🌟🌟🌟。还有 Voice control for ChatGPT Chrome 插件用于和 ChatGPT 语音对话，支持多种语言，可当英语口语/听力老师，但 TTS 效果生硬，期待改善，推荐指数🌟🌟🌟，下载地址： 增强的 PDF 结构识别框架（pdflux.com）应用于 ChatDOC（海外官网：chatdoc.com），它是 AI 文档阅读助手，能在数秒内总结长文档、解释复杂概念和查找关键信息，在可靠性和准确性方面居所有 ChatPDF 类产品之首。其优势包括精通表格理解、多文档对话、每个回答均可溯源至原文、支持多种文档类型。 阅读书籍、论文的互动式问答场景对应的关键词库有 15 个，如书籍、报告、文件等。ChatGPT 知识库截止于 2021 年 9 月，对于新数据或最新出版的内容无法提供答案，如有现成 PDF，建议通过 CHATDOC 网站进行互动式问答，并提供了输入信息和提出问题的步骤及模板，还有相关案例。
2024-11-13
多轮对话训练中你如何训练模型掌握情感需求
在多轮对话训练中，让模型掌握情感需求可以通过以下几种方式： 1. 利用相关数据集进行训练，例如： Guanaco：地址为，是一个使用 SelfInstruct 的主要包含中日英德的多语言指令微调数据集。 chatgptcorpus：地址为，开源了由 ChatGPT3.5 生成的 300 万自问自答数据，包括多个领域，可用于训练大模型。 SmileConv：地址为，数据集通过 ChatGPT 改写真实的心理互助 QA 为多轮的心理健康支持多轮对话，含有 56k 个多轮对话，其对话主题、词汇和篇章语义更加丰富多样，更符合长程多轮对话的应用场景。 2. 在创建提示时采用结构化模式，为模型提供一些情感需求的示例，如： |输入|输出| ||| |一部制作精良且有趣的电影|积极的| |10 分钟后我睡着了|消极的| |电影还行|中性的| 然后单击页面右侧的提交按钮。该模型现在可为输入文本提供情绪。还可以保存新设计的提示。 3. 在多轮次对话中，定期总结关键信息，重申对话的目标和指令，有助于模型刷新记忆，确保准确把握对话的进展和要点。 4. 进行意图识别和分类，特别关注在单一模型或情境中处理多个小逻辑分支的情况。例如在客户服务场景中，快速确定用户提出咨询、投诉、建议等多种类型请求的意图，并分类到相应处理流程中。
2024-11-11
在车载语音多轮对话训练中你如何训练模型掌握情感需求
目前知识库中暂时没有关于在车载语音多轮对话训练中如何训练模型掌握情感需求的相关内容。但一般来说，要训练模型掌握情感需求，可以从以下几个方面考虑： 1. 数据收集：收集包含丰富情感表达的车载语音对话数据，包括不同情感状态下的语音样本和对应的文本描述。 2. 特征提取：从语音和文本数据中提取能够反映情感的特征，如语音的语调、语速、音量，文本中的词汇、句式、语义等。 3. 模型选择：选择适合处理情感分析任务的模型架构，如基于深度学习的循环神经网络（RNN）、长短时记忆网络（LSTM）或门控循环单元（GRU）等。 4. 情感标注：对收集的数据进行准确的情感标注，以便模型学习不同情感的模式。 5. 多模态融合：结合语音和文本等多模态信息，提高情感识别的准确性。 6. 优化算法：采用合适的优化算法来训练模型，调整模型的参数，以提高模型的性能。 7. 模型评估：使用合适的评估指标来评估模型在情感需求掌握方面的性能，并根据评估结果进行调整和改进。
2024-11-11
提供“与知识库对话”的产品服务
以下是关于“与知识库对话”的产品服务相关内容： 如果想要对知识库进行更加灵活的掌控，可以使用额外的软件 AnythingLLM。其安装地址为：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。 AnythingLLM 中有 Workspace 的概念，可创建独有的 Workspace 与其他项目数据隔离。构建本地知识库时，首先创建工作空间，然后上传文档并在工作空间中进行文本嵌入，接着选择对话模式，包括 Chat 模式（大模型根据训练数据和上传的文档数据综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案），最后进行测试对话。 在商业化问答场景中，以一个问答机器人界面为例，其配置包括 AI 模型、提示词和知识库。模型好比是学习过无数知识的人，提示词是告诉模型扮演的角色和专注的技能，知识库则是给模型的工作手册。例如设定 AI 模型为阿里千问模型，提示词设定角色为“美嘉”，知识库放置《爱情公寓》全季剧情。 看十遍不如实操一遍，实操十遍不如分享一遍。如果对 AI Agent 技术感兴趣，可以联系相关人员或者加入免费知识星球（备注 AGI 知识库）。
2024-11-08
提供“与知识库对话”的产品服务
以下是关于“与知识库对话”的产品服务相关内容： 如果想要对知识库进行更加灵活的掌控，需要使用额外的软件 AnythingLLM。其安装地址为：https://useanything.com/download 。安装完成后进入配置页面，主要分为三步：选择大模型、选择文本嵌入模型、选择向量数据库。 AnythingLLM 中有 Workspace 的概念，可以创建独有的 Workspace 与其他项目数据隔离。构建本地知识库时，首先创建工作空间，然后上传文档并进行文本嵌入，接着选择对话模式，包括 Chat 模式（大模型根据训练数据和上传的文档数据综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案），最后进行测试对话。 在商业化问答场景中，以一个问答机器人界面为例，其左侧有三处配置：AI 模型、提示词、知识库。模型可以想象成学习过无数知识的人；提示词是告诉模型扮演的角色和专注的技能；知识库则相当于给模型发放的工作手册。例如设定 AI 模型为阿里千问模型，提示词设定角色为“美嘉”，知识库为《爱情公寓》全季剧情。
2024-11-08
如何用langchian加载本地模型
要使用 Langchain 加载本地模型，您可以按照以下步骤进行： 1. 加载所需的库和模块，例如 feedparse 用于解析 RSS 订阅源，ollama 用于在 Python 程序中跑大模型。使用 ollama 前请确保服务已经开启并下载好模型。 2. 从订阅源获取内容，通过特定函数从指定的 RSS 订阅 URL 提取内容，若需接收多个 URL 稍作改动即可。然后使用专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，如标题、发布日期和链接，最终将这些文档合并成一个列表用于后续处理。 3. 为文档内容生成向量，使用文本向量模型 bgem3。从 hf 下载好模型后，假设放置在某个路径 /path/to/bgem3，通过函数利用 FAISS 创建高效的向量存储。 在整个过程中，还需要了解以下相关知识： 1. RAG（Retrieval Augmented Generation）：大模型训练数据有截止日期，当需要依靠不在训练集中的数据时，可通过检索增强生成。RAG 应用包括文档加载（从多种来源加载文档，LangChain 提供 100 多种文档加载器）、文本分割（把文档切分为指定大小的块）、存储（将切分好的文档块嵌入并存储到向量数据库）、检索（通过检索算法找到与输入问题相似的嵌入片）、输出（把问题及检索出的嵌入片提交给 LLM 生成答案）。 2. Ollama：支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，易于使用，适用于 macOS、Windows 和 Linux 系统，支持 cpu 和 gpu，提供模型库，用户可下载不同模型，还支持自定义模型、提供 REST API 用于运行和管理模型及与其他应用程序集成，社区贡献丰富。安装完后确保后台服务已启动，可通过 ollama list 确认，通过 ollama 命令下载模型。
2024-11-23
大模型微调的目的和意义，会产生什么效果
大模型微调具有重要的目的、意义和效果，具体如下： 目的和意义： 提高模型在特定任务中的性能：可以输入更多示例，经过微调的模型在特定任务中会有更好的表现，虽然可能会失去一些通用性。 提高模型效率：实现更低的延迟和更低的成本。通过专门化模型可使用更小的模型，且只对输入输出对进行训练，能舍弃示例或指令，进一步改善延迟和成本。 适应特定领域需求：通用大模型在特定领域如法律或医学中的表现可能不理想，微调能优化模型在该领域的表现，使其更具专业性。 经济高效：从头开始训练具备自然语言处理能力的大模型需要大量时间和资源，小公司负担不起，微调可在现有模型基础上更经济、高效地适应新应用领域，节省成本并加快模型部署和应用速度。 效果： 优化模型参数：在特定领域的数据上训练模型，调整所有层的参数。 增强特定领域表现：使模型在特定领域的任务中表现更佳。 目前业界比较流行的微调方案是 PEFT（ParameterEfficient Fine Tuning），OpenAI 官方微调教程可参考：https://github.com/openai/openaicookbook/blob/main/examples/How_to_finetune_chat_models.ipynb
2024-11-23
图片生成图片的AI模型有哪些
目前比较成熟的图片生成图片（图生图）的 AI 模型主要有： 1. Artguru AI Art Generator：在线平台，能生成逼真图像，为设计师提供灵感，丰富创作过程。 2. Retrato：AI 工具，可将图片转换为非凡肖像，有 500 多种风格供选择，适合制作个性头像。 3. Stable Diffusion Reimagine：新型 AI 工具，通过稳定扩散算法生成精细、具细节的全新视觉作品。 4. Barbie Selfie Generator：专为喜欢梦幻童话风格的人设计的 AI 工具，能将上传的照片转换为芭比风格，效果出色。 此外，一些受欢迎的文生图工具也可用于图生图，例如： 1. DALL·E：由 OpenAI 推出，能根据输入的文本描述生成逼真的图片。 2. StableDiffusion：开源的文生图工具，可生成高质量的图片，支持多种模型和算法。 3. MidJourney：因高质量的图像生成效果和友好的用户界面设计而广受欢迎，在创意设计人群中尤其流行。 在 WaytoAGI 网站（https://www.waytoagi.com/category/104），可以查看更多文生图工具。 关于图生图的操作方式：在相关工具的首页有对话生图对话框，输入文字描述即可生成图片，不满意可通过对话让其修改。例如在吐司网站，图生图时能调整尺寸、生成数量等参数，高清修复会消耗较多算力建议先出小图。Flex 模型对语义理解强，不同模型生成图片的积分消耗不同，生成的图片效果受多种因素影响。国外模型对中式水墨风等特定风格的适配可能存在不足，可通过训练 Lora 模型改善。
2024-11-23
学习大模型的路径
学习大模型的路径主要包括以下几个步骤： 1. 收集海量数据：就像教孩子成为博学多才的人需要让其阅读大量书籍、观看纪录片、与人交谈一样，对于大模型，要收集互联网上的文章、书籍、维基百科条目、社交媒体帖子等各种文本数据。 2. 预处理数据：如同为孩子整理学习资料，AI 研究人员需要清理和组织收集到的数据，包括删除垃圾信息、纠正拼写错误、将文本分割成易于处理的片段。 3. 设计模型架构：如同为孩子设计学习计划，研究人员要设计大模型的“大脑”结构，通常是一个复杂的神经网络，例如 Transformer 架构，这种架构擅长处理序列数据如文本。 4. 训练模型：如同孩子开始阅读和学习，大模型开始“阅读”提供的数据，通过反复尝试预测句子中的下一个词，不断重复这个过程，逐渐学会理解和生成人类语言。 此外，关于大模型的底层原理，计算机科学家/工程师以大脑神经元细胞结构为灵感，在计算机上利用概览模型实现对人脑结构的模仿，不过计算机的神经元节点更为简单，本质上只是进行一些加法和乘法运算而后输出。大模型内部如同人类大脑是一个混沌系统，即使是 OpenAI 的科学家也无法解释其微观细节。
2024-11-22
现在哪几家的大模型支持通过手机视频多模态实时交流？
以下几家的大模型支持通过手机视频多模态实时交流： 1. PandaGPT：能够理解不同模式的指令并根据指令采取行动，包括文本、图像/视频、音频、热、深度和惯性测量单位。 2. VideoLLaMA：引入了多分支跨模式 PT 框架，使语言模型能够在与人类对话的同时处理给定视频的视觉和音频内容。 3. 视频聊天 GPT：专门为视频对话设计，能够通过集成时空视觉表示来生成有关视频的讨论。 4. NExTGPT：端到端、通用的 anytoany 多模态语言模型，支持图像、视频、音频、文本的自由输入输出。
2024-11-22
siri是不是使用大模型技术
Siri 目前并非使用大模型技术。苹果公司的 Siri 概念虽好，但由于技术限制，其表现未达到人工智能的水平，常被称为“人工智障”。不过，随着技术发展，未来可能会用大模型重新改造 Siri，将手机上的所有功能控制起来，使其成为真正的智能助理。例如，苹果公司在手机算力的芯片发展到能够支撑大模型上手机的情况下，可能会推出大模型的小数据量、专业的版本来替代 Siri。同时，苹果公司若 All in 手机，其大模型可能会是本地化的，以重视个人数据保护和隐私。
2024-11-21
请问现在好用的AI图片生产工具有哪些，对人物一致性要求高
以下是一些好用的 AI 图片生产工具，且对人物一致性要求较高： 1. Artguru AI Art Generator：是一个在线平台，能够生成逼真图像，为设计师提供灵感，丰富创作过程。 2. Retrato：这是一款 AI 工具，可将图片转换为非凡肖像，拥有 500 多种风格选择，适合制作个性头像。 3. Stable Diffusion Reimagine：新型 AI 工具，通过稳定扩散算法生成精细、具有细节的全新视觉作品。 4. Barbie Selfie Generator：专为喜欢梦幻童话风格的人设计的 AI 工具，能将上传的照片转换为芭比风格，效果出色。 在使用 AI 生图时，若要保证人物和场景的一致性，有两个取巧的方式：一是像生成动物，动物会比较容易保持一致性；二是特定的名人或有特殊属性的人物。 另外，目前市面上的 AI 工具分为线上和线下本地部署两种。线上的优势是出图速度快，不依赖本地显卡配置，无需下载大型模型，还能参考其他创作者的作品，但出图分辨率有限。线下部署的优势是可以添加插件，出图质量高，但对电脑配置要求高，使用时可能导致电脑宕机。可以充分发挥线上和线下平台的优势，线上用于找参考、测试模型，线下作为主要出图工具。
2024-11-23
能把文字融和成图片的工具
以下是一些能将文字融合成图片的工具： 1. Photoshop：为图像编辑、构思、3D 设计等提供强大的创新。具有增强细节、文本到图像等功能，能提高 Generative Fill 创作的清晰度和细节，快速构思和创建新资产。 2. LayerStyle 副本：支持从文字生成图片以及遮罩，可调整字间距、行间距、横排竖排、文字的随机变化等。 3. 常见的文生图工具： DALL·E：由 OpenAI 推出，能根据输入的文本描述生成逼真的图片。 StableDiffusion：开源工具，可生成高质量图片，支持多种模型和算法。 MidJourney：因高质量的图像生成效果和用户友好的界面设计在创意设计人群中流行。 您可以在 WaytoAGI 网站（https://www.waytoagi.com/category/104）查看更多文生图工具。需要注意的是，相关内容由 AI 大模型生成，请仔细甄别。
2024-11-22
图片水印去除工具
以下是一些常见的图片水印去除工具： 1. AVAide Watermark Remover：这是一个在线工具，运用 AI 技术去除图片水印。支持多种图片格式，如 JPG、JPEG、PNG、GIF 等。操作简便，上传图片、选择水印区域，保存并下载处理后的图片即可。还提供去除文本、对象、人物、日期和贴纸等功能。 2. Vmake：提供 AI 去除图片水印功能，用户可上传最多 10 张图片，AI 自动检测并移除水印，处理完成后可保存生成的文件，适合需快速去水印并在社交媒体分享图片的用户。 3. AI 改图神器：具备 AI 智能图片修复去水印功能，可一键去除图片中的多余物体、人物或水印且不留痕迹。支持直接粘贴图像或上传手机图像，操作简单。 此外，如果想去除图片中特定的物体，如右手的手串，除了 PS，还可以使用以下工具： SD 局部重绘。 Firefly、Canva、Google photo 都有局部重绘功能。 微软 Designer 免费。 https://clipdrop.co/cleanup 。 这些工具各有特点，您可以根据具体需求选择最适合的去水印工具。请注意，内容由 AI 大模型生成，请仔细甄别。
2024-11-22
智能客服系统实现回复图片，不只是回复文字
以下为您介绍一个基于 COW 框架的 ChatBot 实现步骤，其最新版本支持的功能包括： 1. 多端部署：可接入个人微信、微信公众号、企业微信应用。 2. 基础对话：私聊及群聊的消息智能回复，支持多轮会话上下文记忆，支持 GPT3、GPT3.5、GPT4、文心一言模型。 3. 语音识别：可识别语音消息，通过文字或语音回复，支持 azure、baidu、google、openai 等多种语音模型。 4. 图片生成：支持图片生成和图生图（如照片修复），可选择 DellE、stable diffusion、replicate、Midjourney 模型。 5. 丰富插件：支持个性化插件扩展，已实现多角色切换、文字冒险、敏感词过滤、聊天记录总结等插件。 6. Tool 工具：与操作系统和互联网交互，支持最新信息搜索、数学计算、天气和资讯查询、网页总结，基于实现。 7. 知识库：通过上传知识库文件自定义专属机器人，可作为数字分身、领域知识库、智能客服使用，基于 LinkAI 实现。 项目地址 项目地址 该项目的图片生成功能或许能满足您智能客服系统实现回复图片的需求。
2024-11-22
你能处理图片吗？
以下是一些关于图片处理的方法： 快影（可灵）处理图片： 步骤：打开快影（需先通过内测申请），选择 AI 创作，选择 AI 生成视频，选择图生视频，上传处理好的图片，填写想要的互动动作和效果，点击生成视频，排队等待生成结束后点击下载。 效果展示：由于图片本身效果稍差，转换为视频后效果可能不太理想。 移动端试卷拍照去除书写笔迹的图片视觉处理方法： 图像预处理：包括图像去噪（如高斯滤波、中值滤波）和图像增强（如直方图均衡化、对比度增强）。 图像分割：使用阈值分割、边缘检测和基于区域的分割等算法将试卷图像中的书写笔迹和背景分离。 文字检测：在分割后的图像中，使用基于深度学习的文本检测模型识别出试卷上的文字区域。 文字识别：对检测到的文字区域进行文字识别，将文字内容转换为计算机可处理的文本数据，常用技术包括基于深度学习的端到端文本识别模型和传统的 OCR 技术。 后处理：根据需求进行去除残余噪点、填补文字区域空白等操作。 机器学习模型训练（可选）：如有足够数据，可采用机器学习技术训练模型，学习样本中的书写笔迹特征来自动去除试卷上的笔迹。 优化算法：采用并行计算、硬件加速等方法提升处理速度和准确度。 移动端集成：将算法和模型集成到移动应用程序中，可使用移动端开发框架（如 iOS 的 Core ML、Android 的 TensorFlow Lite）实现模型的部署和调用。 二维码处理： 对于 sd 扩图，若原本图片尺寸为 1152x1152 需增高高度，可设置为（1152x1526）。 无法识别处理： 提高 ControlNet 的权重（增加预处理权重，降低引导介入时机直到为 0，增加引导终止时机直到为 1）。 降低重绘幅度（高清修复大图时适用）。 把原始的黑白二维码叠加在二维码上方（正片叠底，保留 4 个定位点，擦去其他地方），调节透明度。 使劲抽卡。
2024-11-22