视觉定位

BuboGPT 是提供代码、模型和数据的多模态研究项目，结合文本、图像与音频进行对话，并探索将回答中的内容对应到图像中的具体对象。

Ovis是面向图文理解的多模态语言模型系列，公开仓库提供模型权重、安装、推理和微调说明，并列有图像、多图、视频理解及OCR等视觉语言任务的相关支持。